Ling-3.1-flash: 560B de parâmetros, 25B ativos e o que isso significa para o seu hardware

Linha do tempo

1. 2 de agosto de 2026

   O repositório Ling-3.0-flash aparece no Hugging Face. O card da 3.1 depois se descreve como construído sobre este modelo, com melhorias na arquitetura e no desempenho em tarefas do mundo real.

   inclusionAI/Ling-3.0-flash (Hugging Face metadata)

2. 13 de outubro de 2026

   O repositório Ling-3.1-flash aparece. O card o apresenta como um modelo de raciocínio híbrido nativo aprimorado para tarefas complexas do mundo real, com 560B de parâmetros no total, 25B ativos por token e janela de contexto de 1M de tokens, e traz receitas de serviço day-0 para SGLang e vLLM.

   inclusionAI/Ling-3.1-flash model card

Um lançamento que começa pelos agentes, não pelo chat

O primeiro parágrafo do card do Ling-3.1-flash diz para que os autores querem que ele seja usado. Eles o chamam de modelo de raciocínio híbrido nativo aprimorado, projetado para tarefas complexas do mundo real, e os exemplos a que recorrem não são conversas. São agentes de uso geral, busca, produtividade de escritório e engenharia de software. Os benchmarks que o card cita na introdução seguem o mesmo padrão: GDPVal-AA V2.1 para tarefas de escritório, HealthBench Professional para saúde, FrontierSWE para engenharia de software e Terminal-Bench 4.0 para uso de ferramentas em terminal. Diz também que o modelo melhora em áreas especializadas como finanças e ciência de materiais, sem apresentar números.

A linhagem é curta. O repositório Ling-3.0-flash apareceu em 2 de agosto. O Ling-3.1-flash veio em 13 de outubro, cerca de dez semanas depois, e o card diz que o novo modelo se apoia no antigo, com melhorias na arquitetura e no desempenho em tarefas do mundo real. Para quem acompanha o ritmo dos lançamentos de pesos abertos, esse intervalo é a manchete: um modelo de 560B de parâmetros revisado em pouco mais de dois meses.

Lendo a ficha técnica

A tabela de visão geral do card é onde o modelo deixa de ser slogan. O Ling-3.1-flash é um modelo de mistura de especialistas híbrido-linear: 560B de parâmetros no total, 25B ativados por token, 63 camadas KDA e 9 camadas MLA com gate numa proporção de 7:1, 4 camadas densas, 512 especialistas roteados mais 1 especialista compartilhado, 8 especialistas ativados por token, 64 cabeças de atenção, tamanho oculto de 4096 e vocabulário de 157 184. O card não desdobra as siglas KDA e MLA, e não vamos adivinhá-las. O que os números mostram é aritmética: 25B ativos de 560B no total são cerca de 4,5 % dos parâmetros tocados em cada token, e 8 dos 512 especialistas roteados, mais o compartilhado, fazem o trabalho.

Há uma discrepância que vale apontar em vez de esconder. Os próprios metadados do Hugging Face na página mostram 572B de parâmetros, um pouco acima dos 560B do card. A diferença não é explicada em lugar nenhum que possamos ver, então usamos o número do card e registramos que a contagem da plataforma é maior.

«25B ativos» é sobre velocidade, não sobre memória

Esta é a frase que se perde nas manchetes sobre modelos de mistura de especialistas. O cálculo por token acompanha o número de parâmetros ativos, e é por isso que um modelo com 25B ativos pode ser muito mais barato de rodar por token do que um modelo denso de 560B. Mas a memória não funciona assim. O roteador pode enviar o próximo token a qualquer especialista, então todos precisam estar residentes em memória rápida, prontos para responder. Os pesos, portanto, escalam com o total, não com a contagem de ativos. A 16 bits por parâmetro, 560 bilhões de parâmetros dão aproximadamente 1,1 terabyte antes de contar o KV cache. Essa é a nossa aritmética, não um número do card, e ela explica a próxima seção.

Uma janela de contexto longa piora a história da memória, não melhora. Um contexto de 1M de tokens é uma afirmação grande, e cada token mantido em contexto soma memória de KV cache aos pesos. O card não dá um número de memória para uso com contexto longo, então trate isso como algo a medir, não a presumir. Um hábito simples ajuda com qualquer modelo desse tamanho: o download é um piso, não um orçamento.

O que a configuração recomendada revela

O caminho de serviço recomendado pelo card é o SGLang, e sua imagem day-0 inclui suporte ao Ling-3.1-flash, decodificação especulativa via MTP com o algoritmo NEXTN e otimizações de decode para Hopper. O comando do servidor é para 8 × H200 com paralelismo de tensor e de especialistas ambos em 8 ou, em 4 × GB300, paralelismo de 4. Acrescenta que duas flags de ambiente opcionais dão cerca de 10 % mais velocidade de decode com batch 1 em Hopper. Um cookbook ligado a partir do card lista receitas verificadas para H200, GB300, H800, H100 e B200, além de HiCache com Mooncake como terceira camada de cache, raciocínio ligado e desligado, chamada de ferramentas e números medidos de precisão e velocidade. Esse é o perfil de um modelo feito para data centers.

O caminho do vLLM é um sinal igualmente claro. O card pede que você compile o vLLM a partir de uma branch específica e depois sirva com tensor-parallel de tamanho 8, utilização de memória da GPU em 0,85, prefix caching, paralelismo de especialistas, um modo de cache mamba, uma flag de escolha automática de ferramenta com um parser de chamada de ferramenta ling3 e um parser de raciocínio ling3, e decodificação especulativa com três tokens MTP. Os dois caminhos usam a mesma recomendação de amostragem: temperatura 1,0, top-p 0,95, top-k 20, com o thinking ativado para o melhor desempenho.

Nossa leitura é simples. Este não é um modelo para uma GPU gamer. Se você quer estimar a memória de modelos que pretende rodar por conta própria, dois hábitos ajudam: presumir que a memória em execução é maior que o arquivo e somar o KV cache do comprimento de contexto que você realmente usa. Para este modelo em particular, a pergunta mais prática é se um endpoint hospedado o serve a um preço que faça sentido. O card aponta para o OpenRouter e lista a Novita como provedora de inferência, então existe acesso hospedado, embora o preço não conste no card.

O que os autores afirmam que ele faz

O card diz que o Ling-3.1-flash tem desempenho forte em benchmarks representativos de programação e de agentes: Terminal-Bench 4.0, SWE-bench Pro, FrontierSWE, GDPVal-AA V2.1, Automationbench, MCP-Atlas e SkillsBench, entre outros. O bloco de avaliação da página lista pontuações para vários: SWE-bench Pro 68,74, Deep SWE 59,7, Terminal-Bench 2.1 81,18, Humanity’s Last Exam 37,44, SWE-bench Multilingual (resolved) 88,5, Terminal-Bench 46,03 e SkillsBench v1.1 68,7. Vários deles trazem um asterisco na página, e a página não o explica em texto que pudéssemos ler. São números informados pelo provedor. Não os reproduzimos e eles não devem ser lidos como um ranking contra nenhum outro modelo.

O card também diz que o modelo oferece uma experiência forte no Claude Code, Kilo Code, Qwen Code, Hermes Agent, OpenClaw e outros frameworks, uma afirmação sobre compatibilidade e não sobre qualidade. E apresenta o LingCode, um harness construído sobre o agente de programação de código aberto Pi e aprimorado para tarefas de programação de longo horizonte, que duram horas, envolvem centenas de rodadas de chamadas de ferramentas e exigem compactação repetida de contexto. Os autores dizem que estão considerando abrir o código, o que significa que ele não foi lançado. É um detalhe fácil de passar batido e que vale lembrar: os resultados mais fortes que os autores descrevem para tarefas longas de programação usam um harness que você ainda não pode baixar.

A papelada

O card termina com algo incomum para a página de um modelo: um resumo público do conteúdo de treinamento, disponível em PDF, e um índice de documentação. Ele descreve as versões de modelo cobertas, o escopo do conteúdo de treinamento, a versão do resumo e a data de atualização, e diz com todas as letras que trata da divulgação do conteúdo de treinamento e não substitui a documentação técnica, os termos de uso nem a licença. Não lemos o PDF. A página também mostra 1 904 downloads no último mês, um número pequeno para o tamanho do modelo, o que combina com um lançamento que é mais servido do que baixado.

Nossa avaliação

Leia a lista de benchmarks como a declaração dos autores sobre onde acreditam que o modelo é forte, que é programação com agentes e trabalho em terminal, e espere execuções independentes antes de tratar qualquer pontuação isolada como definitiva. Leia a ficha técnica como um lembrete de que a esparsidade economiza cálculo, não memória. O número mais útil do card para a maioria dos leitores não é um benchmark. É o comando do servidor, porque 8 × H200 diz a quem este lançamento se destina. Para todos os outros, a questão não é se você consegue rodá-lo, mas se alguém que o sirva vai te dar acesso a um preço que faça sentido.

Continue lendo

Todos os artigos, do mais recente ao mais antigo, estão no índice do blog da Front.

• Cronologia do Reflection Beam 501B: O lançamento dos pesos do Reflection Beam 501B, em ordem temporal.
• Cronologia do Meta Muse Spark Open: O lançamento do Meta Muse Spark Open, em ordem temporal.
• Linha do tempo do DeepSeek V4.1 Flash 1017: O lançamento do V4.1 Flash da DeepSeek, a atualização de 17 de outubro, preços e parâmetros.
• Humanizer 12B: qual GGUF cabe na sua memória: Os requisitos de memória de cada arquivo GGUF do mesmo modelo.
• Qwen Image 2.1 Turbo em oito passos: Como o Qwen Image 2.1 Turbo reduz os passos para 8.

Perguntas frequentes

Registro de alterações

• 17 de outubro de 2026 — Primeira publicação.

Fontes

• inclusionAI/Ling-3.1-flash model card
• inclusionAI/Ling-3.0-flash