Ling-3.1-flash

Ling-3.1-flash stammt von inclusionAI, der KI-Sparte der chinesischen Ant Group. Es ist am 1. Oktober 2026 erschienen, zunächst nur über APIs. Seit Mitte Oktober liegen die Gewichte unter der MIT-Lizenz auf Hugging Face. Das Mixture-of-Experts-Modell hat 560 Milliarden Parameter, je Token rechnen 25 Milliarden mit, verteilt auf 8 von 512 Experten und einen geteilten Experten. 63 der 72 Schichten nutzen eine lineare Attention (KDA), deren Aufwand mit der Länge der Eingabe nur linear wächst. Die übrigen 9 Schichten setzen eine vollständige Attention (MLA) ein. Die Denkphase lässt sich ein- und ausschalten. Das Modell versteht nur Text. Für das Kontextfenster nennt die Modellkarte 1 Million Token. Die config.json setzt aber 262.144 Token, auch beide Anbieter bei OpenRouter bieten 262.144 an.

Artificial Analysis misst das Modell unabhängig mit 41 Punkten im Intelligenz-Index v4.3.2. GLM-5.3-Flash liegt dort bei 42, Qwen3.8-Flash-Next bei 40, DeepSeek V4.1 Flash bei 39 und MiMo-V2.6-Flash bei 38. Mit 215 Token je Sekunde gehört Ling-3.1-flash zu den schnellsten gemessenen Modellen. Es arbeitet dabei ausführlich: Im Index-Lauf erzeugt es 220 Millionen Ausgabe-Token, offene Modelle ähnlicher Größe im Median 140 Millionen. Die übrigen Zahlen stammen aus der Modellkarte des Herstellers. Stark ist das Modell bei Recherche und Fachfragen. Bei BrowseComp meldet inclusionAI 91,7, Claude Opus 5 steht dort mit 90,8. Bei HealthBench Professional, einem Test mit medizinischen Fachfragen, sind es 65,4 gegenüber 59,8. Beim Programmieren ist das Bild gemischt. Bei SWE-bench Pro meldet der Hersteller 68,7 und bei Terminal-Bench 4.0 46,0, beides vor GLM-5.3 und Kimi K3. Diese Werte entstanden aber mit LingCode, einer eigenen Testumgebung von inclusionAI. Bei Terminal-Bench 2.1 liegt Ling-3.1-flash mit 81,2 hinter DeepSeek V4.1 Flash mit 90,6, Kimi K3 mit 88,3 und GLM-5.3 mit 88,2. Werte für Deutsch nennt die Modellkarte nicht.

Die Gewichte liegen in FP8 vor und belegen 574 GB. Der Hersteller beschreibt dafür nur den Betrieb im Rechenzentrum. Für Apple-Rechner und Workstations gibt es GGUF-Fassungen von AtomicChat, die llama.cpp ab Version b11571 lädt. Sie halten die Experten in wenigen Bit und den Rest in mindestens 8 Bit. Die Fassung AD-IQ2_XXS mit 2 Bit in den Experten belegt 174 GB und passt auf einen Mac Studio mit 256 GB, der ab 12.429 Euro kostet. AD-Q4_K_M mit 4 Bit und 354 GB passt erst auf einen Mac Studio mit 512 GB, eine Speicherstufe, die Apple für Ende Oktober 2026 ankündigt. Ein europäischer Hoster führt das Modell noch nicht, am 16. Oktober 2026 steht es bei keinem Hoster aus unserer Übersicht im Katalog. Bei OpenRouter bieten es Novita und DeepInfra aus den USA an. Der Listenpreis liegt bei beiden bei 0,27 Euro je 1 Million Token in der Eingabe und 0,80 Euro in der Ausgabe, zurzeit gewähren beide einen Rabatt.