Ling-3.1-flash-1019: Ant Group veröffentlicht 560-Milliarden-Parameter-Modell unter MIT-Lizenz mit Agenten-Fokus
Das inclusionAI-Labor von Ant Group veröffentlicht die Gewichte einer überarbeiteten Version von Ling-3.1-flash, die von Artificial Analysis mit 44 bewertet wurde, und stellt auch das Basismodell für diejenigen bereit, die es selbst trainieren möchten.
inclusionAI, das KI-Labor von Ant Group (der Muttergesellschaft von Alipay), hat am Dienstag, den 27. Oktober, die Gewichte von Ling-3.1-flash-1019 freigegeben, einer überarbeiteten Version seines Modells Ling-3.1-flash. Das Modell wird auf Hugging Face und ModelScope unter MIT-Lizenz veröffentlicht, einer der permissivsten überhaupt: kommerzielle Nutzung, Modifikation und Weiterverbreitung sind frei. Die offizielle Ankündigung fiel auf X um 13:45 Uhr, Pariser Zeit.
Ant veröffentlicht gleichzeitig Ling-3.1-flash-base, das Basismodell vor dem Post-Training, für diejenigen, die es anpassen oder auf ihren eigenen Daten trainieren möchten.
Ein sehr großes Modell, aber wenige aktive Parameter
Laut seiner Karte ist Ling-3.1-flash-1019 ein Mixture-of-Experts-Modell (MoE) mit 560 Milliarden Parametern, von denen nur 25 Milliarden für jedes Token abgerufen werden: 8 von 512 Experten werden bei jedem Schritt aktiviert. Ant beschreibt die Architektur als „hybrid linear“: die meisten Schichten verwenden einen linearen Aufmerksamkeitsmechanismus (KDA), kostengünstiger bei langen Texten, und jede achte Schicht eine klassische Aufmerksamkeit (Gated MLA). Das ermöglicht das angekündigte Kontextfenster von einer Million Tokens.
Die Zahl von 25 Milliarden aktiven Parametern sollte nicht täuschen: Das gesamte Modell muss in den Speicher geladen werden. Die Gewichte, hauptsächlich in FP8, wiegen etwa 570 GB, und die mitgelieferte Referenzkonfiguration mit SGLang läuft auf acht H200-GPUs (oder vier GB300). Das ist ein Modell für Server, nicht für eine Workstation.
Was sich gegenüber der vorherigen Version ändert
Die Nummer „1019“ bezeichnet ein zusätzliches Post-Training, fokussiert auf Reasoning und Agenten (mehrstufige Aufgaben mit Werkzeugen). Der Anbieter behauptet deutliche Gewinne: 1 524 Elo auf AA-Briefcase (zuvor etwa 1 400), 68 Prozent auf AutomationBench-AA (62 Prozent), 26 Prozent auf CritPt (18 Prozent) und 57 Prozent auf SciCode (54 Prozent).
Die solideste Zahl ist der Gesamtindex: Artificial Analysis, das Modelle unabhängig misst, zeigt tatsächlich einen Score von 44 im Intelligence Index, gegenüber 41 für die Vorgängerversion laut Ant. Die Seite nennt einen Preis von 0,30 $ pro Million Eingabetokens und 0,90 $ pro Million Ausgabetokens.
Die zu beachtenden Grenzen
Dieselbe Artificial-Analysis-Seite weist auf eine Schwäche hin: Das Modell ist sehr ausführlich. Es generierte 350 Millionen Tokens, um die Testbatterie des Index zu durchlaufen, gegenüber einem Median von 140 Millionen. In der Praxis bedeutet das längere und langsamere Antworten sowie eine Rechnung, die schneller steigt, als der Token-Preis vermuten lässt: Artificial Analysis schätzt die durchschnittlichen Kosten pro Aufgabe seines Index auf 1,49 $.
Die detaillierten Agenten-Scores (AA-Briefcase, AutomationBench) bleiben zu diesem Zeitpunkt die vom Anbieter kommunizierten. Schließlich datiert Artificial Analysis die Veröffentlichung des Modells auf den 22. Oktober, während das öffentliche Repository erst am 27. erstellt wurde: Es könnte vor der Gewichtsfreigabe evaluiert oder über API bereitgestellt worden sein, ohne dass dies präzisiert wird.
Unsere Einschätzung
Das Hauptinteresse liegt nicht im Zugewinn von drei Punkten, sondern in der Kombination: Ein Modell dieser Größe, unter MIT-Lizenz, mit seinem Basismodell und einer Million Tokens Kontext, bleibt selten. Chinesische Labore veröffentlichen weiterhin Gewichte, wo die großen amerikanischen Akteure hauptsächlich APIs verkaufen. Für ein Unternehmen liegt die praktische Frage woanders: 560 Milliarden Parameter zum Laufen zu bringen erfordert eine schwere Infrastruktur, und die von Artificial Analysis gemessene Ausführlichkeit kann einen Teil des Preisvorteils zunichtemachen. Man sollte es an eigenen Aufgaben testen, bevor man darin einen Ersatz für geschlossene Modelle sieht.
Quellen
- Hugging Face — Modellkarte inclusionAI/Ling-3.1-flash-1019 Primärquelle
- Hugging Face — Modellkarte inclusionAI/Ling-3.1-flash-base Primärquelle
- Ant Ling (X) — Ankündigung der Gewichtsveröffentlichung Primärquelle
- Artificial Analysis — Seite Ling 3.1 Flash 1019 Sekundärquelle — Unabhängige Messung des Intelligence Index, Preise und Ausführlichkeit
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
