Este modelo está obsoleto. Solo seguimos midiendo su rendimiento con la carga predeterminada de 10 mil tokens de entrada. Los resultados de otras cargas son históricos y ya no se actualizan.

InclusionAI lanzó una versión más reciente, Ling 2.6 Flash. Te sugerimos considerarla como alternativa.

InclusionAI

•

Open weights model

•

Released septiembre de 2025

Análisis de inteligencia, rendimiento y precio de Ling-flash-2.0

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

Probar Benchmarks de proveedores de API

InteligenciaUpdated

Índice de Inteligencia de Artificial Analysis

* Estimado

Costo

Entrada 0,14 US$Salida 0,57 US$

N/D

Costo por tarea del Índice de Inteligencia

Verbosidad

N/D

Tokens de salida del Índice de Inteligencia

Ling-flash-2.0 está entre los modelos líderes en inteligencia, pero tiene un precio algo elevado en comparación con otros modelos sin razonamiento, de pesos abiertos y tamaño similar. El modelo admite entrada de texto, genera texto y tiene una ventana de contexto de 128k tokens.

Ling-flash-2.0 obtiene 8 puntos en el Índice de Inteligencia de Artificial Analysis, lo que lo sitúa muy por encima del promedio entre modelos comparables (con una mediana de 7).

El precio de Ling-flash-2.0 es de $0.14 por 1 M de tokens de entrada (algo elevado; mediana: $0.00) y $0.57 por 1 M de tokens de salida (algo elevado; mediana: $0.00).

Con 5 tokens por segundo, Ling-flash-2.0 es notablemente lento (76).

Razonamiento	No Esta página muestra la versión sin razonamiento de este modelo. También puede existir una variante con razonamiento.
Modalidad de entrada	Admite: texto
Modalidad de salida	Admite: texto
Ventana de contexto	128k ~192 páginas A4 con fuente Arial de 12 puntos
Parámetros totales	103B
Parámetros activos	6.1B Número de parámetros activos por token durante la inferencia
Licencia	MIT
Pesos del modelo	Hugging Face

Las métricas se comparan con modelos de la misma clase:

Modelos sin razonamiento → se comparan solo con otros modelos sin razonamiento
Modelos de razonamiento → se comparan tanto con modelos de razonamiento como sin razonamiento
Modelos de pesos abiertos → se comparan solo con otros modelos de pesos abiertos de la misma categoría de tamaño:

Muy pequeño: ≤4B parámetros
Pequeño: 4B–40B parámetros
Mediano: 40B–150B parámetros
Grande: >150B parámetros

Modelos propietarios → se comparan con modelos propietarios y de pesos abiertos del mismo rango de precio mediante una proporción combinada de precios de entrada/salida de 3:1:

<$0.15 por 1 M de tokens
$0.15–$1 por 1 M de tokens
>$1 por 1 M de tokens

Updated

Inteligencia

Artificial Analysis Intelligence Index · Higher is better

Not publicly available

Velocidad

Output tokens per second · Higher is better

Costo por tarea

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

Not publicly available

InteligenciaUpdated

Índice de inteligencia de Artificial Analysis

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

Estimate (independent evaluation forthcoming)

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.

Índice de Inteligencia de Artificial Analysis: pesos abiertos vs. propietarios

Not publicly available

Estimate (independent evaluation forthcoming)

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.

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-Omniscience

Índice AA-Omniscience

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

Índice de apertura

Artificial Analysis Openness Index: puntuación

El Openness Index mide la apertura de los modelos en una escala normalizada de 0 a 100 (cuanto más alta, mayor apertura)

Comparaciones del Índice de Inteligencia

Índice de Inteligencia vs. costo por tarea del Índice de Inteligencia

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.

Costo

Costo por tarea del Índice de Inteligencia

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

Not publicly available

Costo de ejecutar el Índice de Inteligencia de Artificial Analysis

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).

Precios: aciertos de caché, entrada y salida

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.

Ventana de contexto

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).

Velocidad

Medida por la velocidad de salida (tokens por segundo)

Velocidad de salida

Output tokens per second · Higher is better

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Figures represent performance of the model's first-party API or the median across providers where a first-party API is not available.

Tiempo por tarea del Índice de Inteligencia

Weighted average decode time (minutes) per task; excludes TTFT and overhead time · Lower is better

The weighted average time (seconds) per Artificial Analysis Intelligence Index task. This is calculated by dividing output tokens per task by output speed, weighted by the relative weights of each benchmark in the Intelligence Index.

Latencia

Medida por el tiempo (segundos) hasta el primer token

Latencia: Tiempo hasta el primer token de respuesta

Segundos hasta recibir el primer token de respuesta · Incluye el tiempo de «pensamiento» de los modelos de razonamiento

Time to first answer token received, in seconds, after API request sent. For reasoning models, this includes the 'thinking' time of the model before providing an answer. For models which do not support streaming, this represents time to receive the completion.

Tiempo de respuesta de extremo a extremo

Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed

Tiempo de respuesta de extremo a extremo

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better

Seconds to receive a 500 token response. Key components:

Input time: Time to receive the first response token
Thinking time (only for reasoning models): Time reasoning models spend outputting tokens to reason prior to providing an answer. Amount of tokens based on the average reasoning tokens across a diverse set of 60 prompts (methodology details).
Answer time: Time to generate 500 output tokens, based on output speed

Figures represent performance of the model's first-party API or the median across providers where a first-party API is not available.

Tamaño del modelo (solo modelos de pesos abiertos)

Tamaño del modelo: parámetros totales y activos

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.

Preguntas frecuentes

Preguntas comunes sobre Ling-flash-2.0

Ling-flash-2.0 se lanzó el 17 de septiembre de 2025.

Ling-flash-2.0 fue creado por InclusionAI.

Ling-flash-2.0 obtiene 8 puntos (estimados) en el Índice de Inteligencia de Artificial Analysis, lo que lo sitúa muy por encima del promedio entre otros modelos sin razonamiento, de pesos abiertos y tamaño similar (mediana: 7).

Ling-flash-2.0 genera 5.0 tokens de salida por segundo (según la mediana de los proveedores que sirven el modelo), un valor en el extremo inferior frente a otros modelos sin razonamiento, de pesos abiertos y tamaño similar (mediana: 75.8 t/s).

Ling-flash-2.0 tiene un tiempo hasta el primer token (TTFT) de 2.47 s (según la mediana de los proveedores que sirven el modelo), un valor algo mayor que el promedio frente a otros modelos sin razonamiento, de pesos abiertos y tamaño similar (mediana: 2.02 s).

Ling-flash-2.0 cuesta $0.14 por 1 M de tokens de entrada (muy competitivo; mediana: $0.46) y $0.57 por 1 M de tokens de salida (muy competitivo; mediana: $0.81), según la mediana de los proveedores que sirven el modelo.

Ling-flash-2.0 cuesta $0.14 por 1 M de tokens de entrada y $0.57 por 1 M de tokens de salida (según la mediana de los proveedores que sirven el modelo). Con una tarifa combinada (proporción 7:2:1 entre aciertos de caché, entrada y salida), equivale a $0.18 por 1 M de tokens. El precio puede variar según el proveedor. Comparar precios de proveedores

No, Ling-flash-2.0 no es un modelo de razonamiento. Responde directamente sin razonamiento extendido en cadena.

Ling-flash-2.0 admite entrada de texto.

Ling-flash-2.0 admite salida de texto.

No, Ling-flash-2.0 no admite imágenes como entrada. Solo puede procesar texto.

No, Ling-flash-2.0 no es multimodal. Solo admite entradas de texto.

Ling-flash-2.0 tiene una ventana de contexto de 130k tokens. Esto determina cuánto texto e historial de conversación puede procesar el modelo en una sola solicitud.

Sí, Ling-flash-2.0 es un modelo de pesos abiertos. Los pesos del modelo están disponibles públicamente y pueden descargarse para alojarlo por cuenta propia.

Ling-flash-2.0 tiene 103 mil millones de parámetros (6,1 mil millones activos).

Ling-flash-2.0 es un modelo de mezcla de expertos (MoE) con 103 mil millones de parámetros totales, pero durante la inferencia solo usa 6,1 mil millones de parámetros activos.

Ling-flash-2.0 se publica bajo la licencia MIT, que permite el uso comercial. Ver licencia

Ling-flash-2.0 obtiene 8 puntos en el Índice de Inteligencia de Artificial Analysis. Este benchmark compuesto evalúa los modelos en razonamiento, conocimiento, matemáticas y programación.

Sí, Ling-flash-2.0 está disponible mediante API a través de 1 proveedor. Comparar proveedores de API

Ling-flash-2.0 está disponible a través de 1 proveedor de API. Comparar proveedores

Análisis de inteligencia, rendimiento y precio de Ling-flash-2.0

Resumen del modelo

InteligenciaUpdated

Velocidad

Costo

Verbosidad

Resumen comparativo

Especificaciones técnicas

39 modelos en esta clase

Inteligencia

Velocidad

Costo por tarea

InteligenciaUpdated

Índice de inteligencia de Artificial Analysis

Artificial Analysis Intelligence Index

Índice de Inteligencia de Artificial Analysis: pesos abiertos vs. propietarios

Artificial Analysis Intelligence Index

Open Weights

Benchmarks

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

Índice AA-Omniscience

AA-Omniscience Index

Índice de apertura

Artificial Analysis Openness Index: puntuación

Comparaciones del Índice de Inteligencia

Índice de Inteligencia vs. costo por tarea del Índice de Inteligencia

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Costo

Costo por tarea del Índice de Inteligencia

Cost per Intelligence Index Task

Costo de ejecutar el Índice de Inteligencia de Artificial Analysis

Cost to Run Artificial Analysis Intelligence Index

Precios: aciertos de caché, entrada y salida

Cache Hit

Ventana de contexto

Ventana de contexto

Context Window for RAG

Context Window

Velocidad

Velocidad de salida

Output Speed

Model Performance Representation

Tiempo por tarea del Índice de Inteligencia

Time per Intelligence Index Task

Latencia

Latencia: Tiempo hasta el primer token de respuesta

Time to First Answer Token

Tiempo de respuesta de extremo a extremo

Tiempo de respuesta de extremo a extremo

End-to-End Response Time

Model Performance Representation

Tamaño del modelo (solo modelos de pesos abiertos)

Tamaño del modelo: parámetros totales y activos

Total Parameters

Active Parameters at Inference Time

Preguntas frecuentes

¿Cuándo se lanzó Ling-flash-2.0?

¿Quién creó Ling-flash-2.0?

¿Qué tan inteligente es Ling-flash-2.0?

¿Qué tan rápido es Ling-flash-2.0?

¿Cuál es la latencia de Ling-flash-2.0?

¿Cuánto cuesta Ling-flash-2.0?

¿Cuál es el precio de la API de Ling-flash-2.0?

¿Ling-flash-2.0 es un modelo de razonamiento?

¿Qué modalidades de entrada admite Ling-flash-2.0?

¿Qué modalidades de salida admite Ling-flash-2.0?

¿Ling-flash-2.0 puede procesar imágenes?

¿Ling-flash-2.0 es multimodal?

¿Cuál es la ventana de contexto de Ling-flash-2.0?

¿Ling-flash-2.0 es de código abierto?

¿Cuántos parámetros tiene Ling-flash-2.0?

¿Cuáles son los parámetros activos de Ling-flash-2.0?

¿Qué licencia tiene Ling-flash-2.0?

¿Cómo rinde Ling-flash-2.0 en los benchmarks?

¿Ling-flash-2.0 está disponible mediante API?

¿Dónde puedo usar Ling-flash-2.0?