•

Open weights model

•

Released setembro de 2026

Análise de inteligência, desempenho e preço do Ling-3.0-flash-Fin

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

Experimente Benchmarks de provedores de API

Custo

Entrada US$ 0,075Saída US$ 0,22Desconto do cache 80%

N/D

Custo por tarefa do Intelligence Index

Verbosidade

250M

Tokens de saída do Intelligence Index

Ling-3.0-flash-Fin está entre os modelos líderes em inteligência e tem preço razoável em comparação com outros modelos de pesos abertos de tamanho semelhante. Também é mais rápido que a média, mas é muito verboso. O modelo aceita entrada em texto, gera saída em texto e tem uma janela de contexto de 262k tokens.

Ling-3.0-flash-Fin alcança 23 pontos no Artificial Analysis Intelligence Index, ficando bem acima da média entre os modelos comparáveis (mediana: 8). Na avaliação do Intelligence Index, gerou 250M tokens, um resultado muito verboso em comparação com a mediana de 100M.

O preço do Ling-3.0-flash-Fin é de $0.07 por 1M de tokens de entrada (preço moderado, mediana: $0.14) e $0.22 por 1M de tokens de saída (preço moderado, mediana: $0.40).

Com 159 tokens por segundo, Ling-3.0-flash-Fin é mais rápido que a média (107).

Raciocínio	Sim Esta página mostra a versão com raciocínio deste modelo. Também pode existir uma variante sem raciocínio.
Modalidade de entrada	Compatível com: texto
Modalidade de saída	Compatível com: texto
Janela de contexto	262k ~393 páginas A4 em fonte Arial tamanho 12
Parâmetros totais	124B
Parâmetros ativos	5.1B Número de parâmetros ativos por token durante a inferência
Licença	MIT
Pesos do modelo	Hugging Face

As métricas são comparadas com modelos da mesma classe:

Modelos sem raciocínio → comparados apenas com outros modelos sem raciocínio
Modelos de raciocínio → comparados com modelos com e sem raciocínio
Modelos de pesos abertos → comparados apenas com outros modelos de pesos abertos da mesma classe de tamanho:

Muito pequeno: ≤4B parâmetros
Pequeno: 4B–40B parâmetros
Médio: 40B–150B parâmetros
Grande: >150B parâmetros

Modelos proprietários → comparados com modelos proprietários e de pesos abertos da mesma faixa de preço, usando uma proporção combinada de 3:1 entre os preços de entrada e saída:

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

Destaques

Updated

Inteligência

Artificial Analysis Intelligence Index · Higher is better

Velocidade

Output tokens per second · Higher is better

Custo por tarefa

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

InteligênciaUpdated

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

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 by Open Weights / Proprietary

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.

Índices de capacidade

Mede o desempenho dos modelos em capacidades e setores específicos

Artificial Analysis Finance & Accounting Index

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

Avaliações

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

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

AutomationBench-AAUpdated

Agentic SaaS workflows

Terminal-Bench 4.0New

Agentic coding & terminal use

SciCode

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdfNew

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

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

𝜏³-Banking

Agentic tool use

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

MLCR-AANew

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

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.

Openness Index

Artificial Analysis Openness Index: Score

Openness Index assesses model openness on a 0 to 100 normalized scale (higher is more open)

Comparações do Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

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.

Uso de tokens

Output Tokens per Intelligence Index Task

Weighted average number of output tokens used to run one task in the Artificial Analysis Intelligence Index

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).

Custo

Cost per Intelligence Index Task

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

Cost to Run Artificial Analysis Intelligence Index

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

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).

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens)

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.

Janela de contexto

Context Window

Context window: tokens limit · Higher is better

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).

Velocidade

Medida pela velocidade de saída (tokens por segundo)

Output Speed

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.

Time per Intelligence Index Task

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.

Latência

Medida pelo tempo (segundos) até o primeiro token

Latency: Time To First Answer Token

Seconds to first answer token received · Accounts for reasoning model 'thinking' time

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.

Tempo de resposta de ponta a ponta

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

End-to-End Response Time

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.

Tamanho do modelo (somente modelos de pesos abertos)

Model Size: Total and Active Parameters

Comparison between total model parameters and parameters active during inference

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.

Perguntas frequentes

Perguntas comuns sobre o Ling-3.0-flash-Fin

O Ling-3.0-flash-Fin foi lançado em 11 de setembro de 2026.

InclusionAI criou o Ling-3.0-flash-Fin.

Ling-3.0-flash-Fin alcança 23 pontos no Artificial Analysis Intelligence Index, ficando bem acima da média entre outros modelos de pesos abertos de tamanho semelhante (mediana: 8).

Ling-3.0-flash-Fin gera a saída a 158.5 tokens por segundo (com base na API de InclusionAI), um resultado bem acima da média em comparação com outros modelos de pesos abertos de tamanho semelhante (mediana: 107.5 t/s).

Ling-3.0-flash-Fin tem um tempo até o primeiro token (TTFT) de 2.34s (com base na API de InclusionAI), um resultado um pouco acima da média em comparação com outros modelos de pesos abertos de tamanho semelhante (mediana: 2.32s).

Ling-3.0-flash-Fin custa $0.07 por 1M de tokens de entrada (muito competitivo, mediana: $0.35) e $0.22 por 1M de tokens de saída (muito competitivo, mediana: $0.72), com base na API de InclusionAI.

Ling-3.0-flash-Fin custa $0.07 por 1M de tokens de entrada e $0.22 por 1M de tokens de saída (com base na API de InclusionAI). Considerando uma tarifa combinada (proporção de 7:2:1 entre acerto do cache, entrada e saída), o preço é de $0.05 por 1M de tokens. O preço pode variar conforme o provedor. Comparar preços dos provedores

Na avaliação do Intelligence Index, Ling-3.0-flash-Fin gerou 250M tokens de saída, um resultado na faixa superior em comparação com outros modelos de pesos abertos de tamanho semelhante (mediana: 100M).

Sim, o Ling-3.0-flash-Fin é um modelo de raciocínio. Ele usa reflexão prolongada ou raciocínio em cadeia para resolver problemas complexos antes de fornecer uma resposta.

Ling-3.0-flash-Fin aceita entrada em texto.

Ling-3.0-flash-Fin permite saída em texto.

Não, o Ling-3.0-flash-Fin não aceita imagens como entrada. Ele só consegue processar texto.

Não, o Ling-3.0-flash-Fin não é multimodal. Ele aceita apenas entrada em texto.

Ling-3.0-flash-Fin tem uma janela de contexto de 260k tokens. Isso determina quanto texto e histórico da conversa o modelo consegue processar em uma única solicitação.

Sim, o Ling-3.0-flash-Fin é um modelo de pesos abertos. Os pesos estão disponíveis publicamente e podem ser baixados para auto-hospedagem.

Ling-3.0-flash-Fin tem 124 bilhões parâmetros (5,1 bilhões ativos).

Ling-3.0-flash-Fin é um modelo de mistura de especialistas (MoE) com 124 bilhões parâmetros no total, mas apenas 5,1 bilhões parâmetros ativos são usados durante a inferência.

Ling-3.0-flash-Fin foi lançado sob a licença MIT. Essa licença permite o uso comercial. Ver licença

Ling-3.0-flash-Fin alcança 23 pontos no Artificial Analysis Intelligence Index. Esse benchmark composto avalia os modelos em raciocínio, conhecimento, matemática e programação.

Sim, o Ling-3.0-flash-Fin está disponível por API em 1 provedor. Comparar provedores de API

Ling-3.0-flash-Fin está disponível em 1 provedor de API. Comparar provedores

Análise de inteligência, desempenho e preço do Ling-3.0-flash-Fin

Resumo do modelo

InteligênciaUpdated

Resumo da comparação

Especificações técnicas

65 modelos nesta classe

InteligênciaUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index by Open Weights / Proprietary

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: Score

Comparações do Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Uso de tokens

Output Tokens per Intelligence Index Task

Output Tokens per Intelligence Index Task

Custo

Cost per Intelligence Index Task

Cost per Intelligence Index Task

Cost to Run Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Pricing: Cache Hit, Input, and Output

Cache Hit

Janela de contexto

Context Window

Context Window for RAG

Context Window

Velocidade

Output Speed

Output Speed

Model Performance Representation

Time per Intelligence Index Task

Time per Intelligence Index Task

Latência

Latency: Time To First Answer Token

Time to First Answer Token

Tempo de resposta de ponta a ponta

End-to-End Response Time

End-to-End Response Time

Model Performance Representation

Tamanho do modelo (somente modelos de pesos abertos)

Model Size: Total and Active Parameters

Total Parameters

Active Parameters at Inference Time

Perguntas frequentes

Quando o Ling-3.0-flash-Fin foi lançado?

Quem criou o Ling-3.0-flash-Fin?

Qual é a inteligência do Ling-3.0-flash-Fin?

Qual é a velocidade do Ling-3.0-flash-Fin?

Qual é a latência do Ling-3.0-flash-Fin?

Quanto custa o Ling-3.0-flash-Fin?

Qual é o preço da API do Ling-3.0-flash-Fin?

Qual é a verbosidade do Ling-3.0-flash-Fin?

O Ling-3.0-flash-Fin é um modelo de raciocínio?

Quais modalidades de entrada o Ling-3.0-flash-Fin aceita?

Quais modalidades de saída o Ling-3.0-flash-Fin aceita?

O Ling-3.0-flash-Fin consegue processar imagens?

O Ling-3.0-flash-Fin é multimodal?

Qual é a janela de contexto do Ling-3.0-flash-Fin?

O Ling-3.0-flash-Fin é de código aberto?

Quantos parâmetros o Ling-3.0-flash-Fin tem?

Quais são os parâmetros ativos do Ling-3.0-flash-Fin?

Qual é a licença do Ling-3.0-flash-Fin?

Qual é o desempenho do Ling-3.0-flash-Fin nos benchmarks?

O Ling-3.0-flash-Fin está disponível por API?

Onde posso usar o Ling-3.0-flash-Fin?