•

Open weights model

•

Released September 2026

Ling-3.0-flash-VL: Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe 0,075 $Ausgabe 0,22 $Cache-Rabatt 80%

k. A.

Kosten pro Intelligence-Index-Aufgabe

Ling-3.0-flash-VL zählt bei der Intelligenz zu den führenden Modellen und ist preislich angemessen im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe. Das Modell unterstützt Text, Bilder und Video als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 262k Tokens.

Ling-3.0-flash-VL erzielt im Artificial Analysis Intelligence Index einen Wert von 25 und liegt damit deutlich über dem Durchschnitt der vergleichbaren Modelle (Median: 8). Bei der Evaluation des Intelligence Index erzeugte es 160M Tokens und antwortete damit etwas ausführlich im Vergleich zum Median von 100M.

Der Preis für Ling-3.0-flash-VL beträgt $0.07 pro 1 Mio. Eingabetokens (moderat bepreist; Median: $0.07) und $0.22 pro 1 Mio. Ausgabetokens (moderat bepreist; Median: $0.22).

Reasoning	Ja Diese Seite zeigt die Reasoning-Version dieses Modells. Möglicherweise gibt es auch eine Variante ohne Reasoning.
Eingabemodalität	Unterstützt: Text, Bilder und Video
Ausgabemodalität	Unterstützt: Text
Kontextfenster	262k ~393 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	124B
Aktive Parameter	5.5B Anzahl der pro Token während der Inferenz aktiven Parameter
Lizenz	MIT
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Updated

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Not publicly available

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

Not publicly available

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

Not publicly available

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Not publicly available

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Fähigkeitsindizes

Misst die Leistung von Modellen bei bestimmten Fähigkeiten und in bestimmten Branchen

Artificial Analysis Index für Finanzen und Rechnungswesen

Incorporates 7 evaluations: AA-Omniscience, GDPval-AA v2.1, AA-Briefcase v1.1, Humanity's Last Exam, AutomationBench-AA, AA-LCR v1.1, GDP.pdf · Higher is better

Not publicly available

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

Not publicly available

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AA

Agentic SaaS workflows

Terminal-Bench 4.0

Agentic coding & terminal use

SciCodeUnder review

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

CritPtUnder review

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

MLCR-AA

Medical long context reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Briefcase v1.1Updated

AA-Briefcase-Elo

AA-Briefcase v1.1 is an agentic knowledge work benchmark developed by Artificial Analysis. AA-Briefcase Elo is a combined metric that aggregates rubric pass rate, analytical quality Elo and presentation Elo · Higher is better

Not publicly available

AA-Briefcase Elo is a combined metric that aggregates analytical quality Elo, presentation Elo, and rubric pass rate, with rubric performance converted into Elo via synthetic head-to-head matches. Elo and 95% confidence interval bounds are clamped at 0.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Not publicly available

Openness Index

Artificial Analysis Openness Index: Wert

Der Openness Index bewertet die Offenheit von Modellen auf einer normierten Skala von 0 bis 100 (höher bedeutet offener)

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Intelligence-Index-Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Tokenverbrauch

Ausgabe-Token pro Intelligence-Index-Aufgabe

Gewichtete durchschnittliche Anzahl an Ausgabe-Token für eine Aufgabe im Artificial Analysis Intelligence Index

Not publicly available

The number of tokens required per Intelligence Index task. This is calculated by multiplying the output tokens per eval by the relative weights of each benchmark in the Intelligence Index, then dividing by task count (excluding repeats).

Kosten

Kosten pro Intelligence-Index-Aufgabe

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Not publicly available

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

Not publicly available

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preise: Cache-Treffer, Eingabe und Ausgabe

Price (USD per M Tokens)

Not publicly available

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context window: tokens limit · Higher is better

Not publicly available

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Comparison between total model parameters and parameters active during inference (billions)

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu Ling-3.0-flash-VL

Ling-3.0-flash-VL wurde am 10. September 2026 veröffentlicht.

Ling-3.0-flash-VL wurde von InclusionAI entwickelt.

Ling-3.0-flash-VL erzielt im Artificial Analysis Intelligence Index einen Wert von 25 und liegt damit im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe deutlich über dem Durchschnitt (Median: 8).

Ling-3.0-flash-VL kostet $0.07 pro 1 Mio. Eingabetokens (sehr konkurrenzfähig; Median: $0.30) und $0.22 pro 1 Mio. Ausgabetokens (sehr konkurrenzfähig; Median: $0.81). Die Angaben basieren auf der API von InclusionAI.

Ling-3.0-flash-VL kostet $0.07 pro 1 Mio. Eingabetokens und $0.22 pro 1 Mio. Ausgabetokens (auf Grundlage der API von InclusionAI). Bei einem Mischpreis mit einem Verhältnis von 7:2:1 für Cache-Treffer, Eingabe und Ausgabe entspricht dies $0.05 pro 1 Mio. Tokens. Der Preis kann je nach Anbieter variieren. Preise der Anbieter vergleichen

Bei der Evaluation des Intelligence Index erzeugte Ling-3.0-flash-VL 160M Ausgabetokens. Dies ist etwas höher als der Durchschnitt im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe (Median: 100M).

Ja, Ling-3.0-flash-VL ist ein Reasoning-Modell. Es nutzt längere Denkprozesse oder Chain-of-Thought-Reasoning, um komplexe Probleme zu bearbeiten, bevor es eine Antwort gibt.

Ling-3.0-flash-VL unterstützt Text, Bilder und Video als Eingabe.

Ling-3.0-flash-VL unterstützt Text als Ausgabe.

Ja, Ling-3.0-flash-VL unterstützt Bildeingaben und kann Bilder analysieren, beschreiben und Fragen dazu beantworten.

Ja, Ling-3.0-flash-VL ist multimodal. Es kann Text, Bilder und Video als Eingabe verarbeiten und Text als Ausgabe erzeugen.

Ling-3.0-flash-VL hat ein Kontextfenster von 260k Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, Ling-3.0-flash-VL hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

Ling-3.0-flash-VL hat 124 Milliarden Parameter (5,5 Milliarden aktiv).

Ling-3.0-flash-VL ist ein Mixture-of-Experts-Modell (MoE) mit insgesamt 124 Milliarden Parametern, von denen während der Inferenz jedoch nur 5,5 Milliarden aktiv sind.

Ling-3.0-flash-VL wird unter der Lizenz MIT veröffentlicht. Diese Lizenz erlaubt die kommerzielle Nutzung. Lizenz anzeigen

Ling-3.0-flash-VL erzielt im Artificial Analysis Intelligence Index einen Wert von 25. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Ja, Ling-3.0-flash-VL ist über 1 Anbieter per API verfügbar. API-Anbieter vergleichen

Ling-3.0-flash-VL ist über 1 API-Anbieter verfügbar. Anbieter vergleichen

Ling-3.0-flash-VL: Analyse von Intelligenz, Leistung und Preis

Modellübersicht

IntelligenzUpdated

Geschwindigkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

65 Modelle in dieser Klasse

Geschwindigkeit

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Artificial Analysis Intelligence Index

Open Weights

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Briefcase v1.1Updated

AA-Briefcase-Elo

AA-Briefcase Elo

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Wert

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Intelligence-Index-Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Tokenverbrauch

Ausgabe-Token pro Intelligence-Index-Aufgabe

Output Tokens per Intelligence Index Task

Kosten

Kosten pro Intelligence-Index-Aufgabe

Cost per Intelligence Index Task

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preise: Cache-Treffer, Eingabe und Ausgabe

Cache Hit

Kontextfenster

Kontextfenster

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde Ling-3.0-flash-VL veröffentlicht?

Wer hat Ling-3.0-flash-VL entwickelt?

Wie intelligent ist Ling-3.0-flash-VL?

Wie viel kostet Ling-3.0-flash-VL?

Wie gestaltet sich der API-Preis von Ling-3.0-flash-VL?

Wie ausführlich antwortet Ling-3.0-flash-VL?

Ist Ling-3.0-flash-VL ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Ling-3.0-flash-VL?

Welche Ausgabemodalitäten unterstützt Ling-3.0-flash-VL?

Kann Ling-3.0-flash-VL Bilder verarbeiten?

Ist Ling-3.0-flash-VL multimodal?

Wie groß ist das Kontextfenster von Ling-3.0-flash-VL?

Hat Ling-3.0-flash-VL offene Gewichte?

Wie viele Parameter hat Ling-3.0-flash-VL?

Was sind die aktiven Parameter von Ling-3.0-flash-VL?

Unter welcher Lizenz steht Ling-3.0-flash-VL?

Wie schneidet Ling-3.0-flash-VL in Benchmarks ab?

Ist Ling-3.0-flash-VL über eine API verfügbar?

Wo kann ich Ling-3.0-flash-VL verwenden?