Ling 3.0 Flash
5435°
Executar modelo
Ofertas / Anúncios
inclusionAI | contexto de 262.144 tokens | $0,02/M entrada, $0,06/M saída. *Ling-3.0-flash* é um *modelo Mixture-of-Experts (MoE) com 124B parâmetros*, com aproximadamente *5,1B parâmetros ativados por token*. O modelo foi projetado com *eficiência de tokens e inferência agentiva em escala de produção* como prioridades principais, permitindo aos desenvolvedores...
Guias para este modelo
Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa
De quanto VRAM eu realmente preciso para IA local?
Pesos abertos vs código aberto vs só API: o que você realmente pode fazer
O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)
Notas do capitão
Notas de 2026-10-13
Ling-3.0-flash é um modelo Mixture-of-Experts de 124 bilhões de parâmetros da inclusionAI que ativa apenas 5,1 bilhões de parâmetros por token, mantendo a inferência rápida e barata. Sua arquitetura híbrida de atenção linear e o treinamento nativo agente em mais de 10.000 ambientes o tornam excepcionalmente adequado para agentes de codificação e tarefas de longo prazo. Com custo de $0,02 por milhão de tokens de entrada e pesos abertos, merece atenção séria se você executa pipelines agentes em produção.
Conhecido por
- Desempenho forte em codificação e tarefas agenticas, incluindo SWE-Bench e fluxos de trabalho de pesquisa profunda
- Contexto de 262 mil tokens com cache que reduz o tempo para o primeiro token em 60–80% em entradas longas
- Ativa apenas 5,1 bilhões de parâmetros por token apesar de ter 124 bilhões no total
- Arquitetura híbrida-linear MoE nativa pré-treinada para eficiência em contextos longos desde o início
- Pesos abertos disponíveis no Hugging Face
Fique atento a
- 124 bilhões de parâmetros no total é grande; rodar localmente exige hardware robusto apesar do baixo número de parâmetros ativos.
- Modo de pensamento está ativado por padrão — importante saber se você está otimizando latência ou custo por token de saída.
- O fabricante não publicou termos explícitos de licença nesta página; verifique o repositório no Hugging Face antes do uso comercial.
Sugestões para tentar
Depurar um loop de agente com falha
Tenho um agente Python que chama uma ferramenta de busca, analisa o resultado e decide se chama a ferramenta novamente. Após duas iterações, ele sempre para, mesmo quando a resposta não é encontrada. Aqui está o código do loop: [cole seu código]. Identifique o bug, explique por que ele causa a terminação precoce e me dê uma versão corrigida.
Raciocinar sobre design de sistema
Uma startup fintech precisa processar 50.000 eventos de pagamento por minuto, armazená-los de forma durável e expor uma API de consulta com latência p99 abaixo de 200ms. Explique as vantagens e desvantagens entre Kafka com um armazenamento colunar versus um banco de dados streaming como o RisingWave. Termine com uma recomendação concreta e o principal risco dessa escolha.
Documento longo: extrair e classificar
Vou colar um contrato extenso abaixo. Leia o documento inteiro, identifique todas as cláusulas que criam obrigação financeira para o comprador, classifique-as pela exposição monetária potencial da maior para a menor e sinalize qualquer cláusula que possa disparar renovação automática ou penalidade sem aviso escrito explícito.
Comparar com
- Ling 3.0 Flash SanteModelo apenas para APIContexto de 262,144 tokens · entrada $0.04/M, saída $0.12/M
- Ling 3.1 FlashModelo apenas para APIContexto de 262,144 tokens · entrada $0.07/M, saída $0.22/M
- Ling 3.0 Flash VLModelo com pesos abertosContexto de 131,072 tokens · entrada $0.06/M, saída $0.18/M
- Ling 3.0 Flash FinModelo apenas para APIContexto de 262,144 tokens · entrada $0.04/M, saída $0.12/M
Mais modelos de texto de inclusionai
Perguntas frequentes
- Posso rodar o Ling-3.0-flash localmente?
- Sim, os pesos são abertos e estão disponíveis no Hugging Face sob inclusionAI/Ling-3.0-flash. Tenha em mente que o total de parâmetros é 124 bilhões, então você precisará de memória GPU substancial mesmo que apenas 5,1 bilhões de parâmetros sejam ativados por token.
- Quanto custa o Ling-3.0-flash e qual é o tamanho da janela de contexto?
- Via API, custa $0,02 por milhão de tokens de entrada e $0,06 por milhão de tokens de saída, com uma janela de contexto de 262.144 tokens.
- Como o Ling-3.0-flash difere do flagship anterior da inclusionAI?
- O Ling-3.0-flash tem cerca de 12% dos parâmetros totais do modelo anterior Ling-2.6-1T, mas o fabricante relata que ele iguala ou supera esse predecessor em benchmarks-chave, com o benefício adicional de uma arquitetura híbrida-linear projetada para eficiência em contextos longos e agentes.
Veredito do capitãoUm MoE genuinamente eficiente construído para agentes em primeiro lugar — o preço e os pesos abertos facilitam justificar uma avaliação séria.
Ficha do modelo no Hugging Face
O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Como essa pontuação é calculada
Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.
Glossário: os termos usados aqui
- Pontuação heat
- Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
- Limite mínimo
- Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
- Equivalentes a downloads
- Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
- Escala logarítmica
- Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
- Likes
- Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
- Taxa de adoção
- Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
- Medido e estimado
- Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
- Seeder
- Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
- AI Horde
- Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
- Sites de geração
- Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
- Tokens OpenRouter
- Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
- LoRA e embedding
- Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
- Família e pesos
- A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
- Idade
- Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
- Impulso da família
- Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
- Pontuação provisória
- Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
- Novo! (período de carência)
- Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
- Tendência
- Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
- Modelo típico
- O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.
Ling 3.0 Flash é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.
Mais modelos Text / LLMMais Texto / LLM Text / LLMllminclusionairaciocínioagentesprogramaçãocontexto longolocal
Navegar por família de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153