Kan jag köra Ling-3.0-flash lokalt?

Ja, vikterna är öppna och tillgängliga på Hugging Face under inclusionAI/Ling-3.0-flash. Tänk på att det totala antalet parametrar är 124 miljarder, så du behöver betydande GPU-minne även om endast 5,1 miljarder parametrar är aktiva per token.

Vad kostar Ling-3.0-flash och hur stort är kontextfönstret?

Via API kostar det 0,02 USD per miljon inmatningstokens och 0,06 USD per miljon utmatningstokens, med ett kontextfönster på 262 144 tokens.

Hur skiljer sig Ling-3.0-flash från inclusionAI:s tidigare flaggskepp?

Ling-3.0-flash har ungefär 12 % av de totala parametrarna jämfört med den tidigare Ling-2.6-1T-modellen, men tillverkaren rapporterar att den matchar eller överträffar föregångaren i viktiga benchmark-tester, med fördelen av en hybrid-linjär arkitektur designad för långkontext och agenteffektivitet.

Ling 3.0 Flash

5435°

#llm #inclusionai #resonemang #agenter #kodning #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

inclusionAI | 262,144 token kontext | $0.02/M input, $0.06/M output. *Ling-3.0-flash* är en *124B-parameter Mixture-of-Experts (MoE) modell*, med cirka *5.1B parametrar aktiverade per token*. Modellen är designad med *tokeneffektivitet och produktionsskalig agentisk inferens* som nyckelprioriteringar, vilket möjliggör för utvecklare...

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Ling-3.0-flash är en Mixture-of-Experts-modell med 124 miljarder parametrar från inclusionAI som aktiverar endast 5,1 miljarder parametrar per token, vilket håller inferensen snabb och billig. Dess hybrid-linjära uppmärksamhetsarkitektur och inbyggda agentträning över mer än 10 000 miljöer gör den ovanligt väl lämpad för kodande agenter och långsiktiga uppgifter. Med en kostnad på 0,02 USD per miljon inmatningstokens och öppna vikter är den värd seriös uppmärksamhet om du kör produktionsagentpipelines.

Känd för

Stark prestanda inom kodning och agentuppgifter, inklusive SWE-Bench och djupa forskningsarbetsflöden
262K tokens kontext med caching som minskar tiden till första token med 60–80 % vid långa inmatningar
Endast 5,1 miljarder parametrar aktiveras per token trots totalt 124 miljarder parametrar
Inbyggd hybrid-linjär MoE-arkitektur förtränad för långkontextseffektivitet från början
Öppna vikter tillgängliga på Hugging Face

Se upp för

124 miljarder totala parametrar är stort; att köra lokalt kräver seriös hårdvara trots det låga antalet aktiva parametrar.
Tänkeläge är på som standard — viktigt att veta om du optimerar för latens eller kostnad per utgående token.
Tillverkaren har inte publicerat uttryckliga licensvillkor på denna sida; kontrollera Hugging Face-förvaret innan kommersiell användning.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Felsök en felande agentloop

Jag har en Python-agent som anropar ett sökverktyg, analyserar resultatet och sedan bestämmer om verktyget ska anropas igen. Efter två iterationer stoppar den alltid, även när svaret inte hittas. Här är loopkoden: [klistra in din kod]. Identifiera buggen, förklara varför den orsakar tidigt stopp och ge mig en korrigerad version.

Resonera kring systemdesign

En fintech-startup behöver bearbeta 50 000 betalningstransaktioner per minut, lagra dem hållbart och exponera ett fråge-API med sub-200 ms p99-latens. Gå igenom avvägningarna mellan Kafka plus en kolumnlagring jämfört med en strömningsdatabas som RisingWave. Avsluta med en konkret rekommendation och den största risken med det valet.

Långt dokument: extrahera och rangordna

Jag klistrar in ett långt kontrakt nedan. Läs hela dokumentet, identifiera varje klausul som skapar en ekonomisk skyldighet för köparen, rangordna dem efter potentiell ekonomisk exponering från högst till lägst och markera alla klausuler som kan utlösa automatisk förnyelse eller straff utan uttryckligt skriftligt meddelande.

Jämför med

Ling 3.0 Flash Sante
Endast API-modell
262,144 tokens kontext · $0.04/M indata, $0.12/M utdata
Ling 3.1 Flash
Endast API-modell
262,144 tokens kontext · $0.07/M indata, $0.22/M utdata
Ling 3.0 Flash VL
Öppen vikt-modell
131,072 tokens kontext · $0.06/M indata, $0.18/M utdata
Ling 3.0 Flash Fin
Endast API-modell
262,144 tokens kontext · $0.04/M indata, $0.12/M utdata

Fler textmodeller från inclusionai

Vanliga frågor

Kan jag köra Ling-3.0-flash lokalt?: Ja, vikterna är öppna och tillgängliga på Hugging Face under inclusionAI/Ling-3.0-flash. Tänk på att det totala antalet parametrar är 124 miljarder, så du behöver betydande GPU-minne även om endast 5,1 miljarder parametrar är aktiva per token.
Vad kostar Ling-3.0-flash och hur stort är kontextfönstret?: Via API kostar det 0,02 USD per miljon inmatningstokens och 0,06 USD per miljon utmatningstokens, med ett kontextfönster på 262 144 tokens.
Hur skiljer sig Ling-3.0-flash från inclusionAI:s tidigare flaggskepp?: Ling-3.0-flash har ungefär 12 % av de totala parametrarna jämfört med den tidigare Ling-2.6-1T-modellen, men tillverkaren rapporterar att den matchar eller överträffar föregångaren i viktiga benchmark-tester, med fördelen av en hybrid-linjär arkitektur designad för långkontext och agenteffektivitet.

Kaptens omdöme
En genuint effektiv MoE byggd för agenter först — priset och de öppna vikterna gör det lätt att motivera en seriös utvärdering.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Nova Premier 1.0

TEXT / LLM

Muse Spark 1.2 Contributor

AI-modeller för bild-, video- och textgenerering

Ling 3.0 Flash är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm inclusionai resonemang agenter kodning lång kontext lokal

Bläddra efter modellfamilj