•

Open weights model

•

Released outubro de 2026

Análise de inteligência, desempenho e preço do Ling 3.1 Flash

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

Experimente Benchmarks de provedores de API

Custo

Entrada US$ 0,30Saída US$ 0,90Desconto do cache 80%

$0.99

Custo por tarefa do Intelligence Index

Verbosidade

220M

Tokens de saída do Intelligence Index

Ling 3.1 Flash está entre os modelos líderes em inteligência e tem preço razoável em comparação com outros modelos de pesos abertos de tamanho semelhante. Também é especialmente rápido, mas é muito verboso. O modelo aceita entrada em texto, gera saída em texto e tem uma janela de contexto de 1M tokens.

Ling 3.1 Flash alcança 41 pontos no Artificial Analysis Intelligence Index, ficando bem acima da média entre os modelos comparáveis (mediana: 19). Na avaliação do Intelligence Index, gerou 220M tokens, um resultado muito verboso em comparação com a mediana de 140M.

O preço do Ling 3.1 Flash é de $0.30 por 1M de tokens de entrada (preço moderado, mediana: $0.30) e $0.90 por 1M de tokens de saída (preço moderado, mediana: $1.13). Em média, a avaliação do Ling 3.1 Flash no Intelligence Index custa $0.99 por tarefa.

Com 211 tokens por segundo, Ling 3.1 Flash é especialmente rápido (72).

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	1M ~1500 páginas A4 em fonte Arial tamanho 12
Parâmetros totais	560B
Parâmetros ativos	25B Número de parâmetros ativos por token durante a inferência

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

Updated

Inteligência

Artificial Analysis Intelligence Index · Higher is better

Not publicly available

Velocidade

Output tokens per second · Higher is better

Custo por tarefa

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

Not publicly available

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

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: pesos abertos vs. proprietários

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.

Índices de capacidade

Mede o desempenho dos modelos em capacidades e setores específicos

Artificial Analysis Índice de Finanças e Contabilidade

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

Avaliações

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

Ver mais

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

Elo do AA-Briefcase

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: pontuação

O Openness Index avalia a abertura dos modelos em uma escala normalizada de 0 a 100 (quanto maior, mais aberto)

Comparações do Intelligence Index

Intelligence Index vs. custo por tarefa do Intelligence Index

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

Tokens de saída por tarefa do Índice de Inteligência

Média ponderada de tokens de saída usados para executar uma tarefa do Índice de Inteligência da Artificial Analysis

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).

Custo

Custo por tarefa do Intelligence Index

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

Not publicly available

Custo de executar o 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).

Preços: acertos de cache, entrada e saída

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.

Janela 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).

Velocidade

Medida pela velocidade de saída (tokens por segundo)

Velocidade de saída

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.

Tempo por tarefa do Índice de Inteligência

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

Latência: Tempo até o primeiro token da resposta final

Segundos até receber o primeiro token de resposta · Inclui o tempo de “pensamento” dos modelos de raciocínio

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

Tempo de resposta de ponta a ponta

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)

Tamanho do modelo: parâmetros totais e ativos

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.

Perguntas frequentes

Perguntas comuns sobre o Ling 3.1 Flash

O Ling 3.1 Flash foi lançado em 1 de outubro de 2026.

InclusionAI criou o Ling 3.1 Flash.

Ling 3.1 Flash alcança 41 pontos no Artificial Analysis Intelligence Index, ficando bem acima da média entre outros modelos de pesos abertos de tamanho semelhante (mediana: 19).

Ling 3.1 Flash gera a saída a 210.8 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: 71.9 t/s).

Ling 3.1 Flash tem um tempo até o primeiro token (TTFT) de 1.83s (com base na API de InclusionAI), um resultado melhor que a média em comparação com outros modelos de pesos abertos de tamanho semelhante (mediana: 2.21s).

Ling 3.1 Flash custa $0.30 por 1M de tokens de entrada (melhor que a média, mediana: $0.43) e $0.90 por 1M de tokens de saída (melhor que a média, mediana: $1.68), com base na API de InclusionAI.

Ling 3.1 Flash custa $0.30 por 1M de tokens de entrada e $0.90 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 $0.19 por 1M de tokens. O preço pode variar conforme o provedor. Comparar preços dos provedores

Na avaliação do Intelligence Index, Ling 3.1 Flash gerou 220M tokens de saída, um resultado na faixa superior em comparação com outros modelos de pesos abertos de tamanho semelhante (mediana: 140M).

Sim, o Ling 3.1 Flash é um modelo de raciocínio. Ele usa reflexão prolongada ou raciocínio em cadeia para resolver problemas complexos antes de fornecer uma resposta.

Ling 3.1 Flash aceita entrada em texto.

Ling 3.1 Flash permite saída em texto.

Não, o Ling 3.1 Flash não aceita imagens como entrada. Ele só consegue processar texto.

Não, o Ling 3.1 Flash não é multimodal. Ele aceita apenas entrada em texto.

Ling 3.1 Flash tem uma janela de contexto de 1.0M tokens. Isso determina quanto texto e histórico da conversa o modelo consegue processar em uma única solicitação.

Sim, o Ling 3.1 Flash é um modelo de pesos abertos. Os pesos estão disponíveis publicamente.

Ling 3.1 Flash tem 560 bilhões parâmetros (25 bilhões ativos).

Ling 3.1 Flash é um modelo de mistura de especialistas (MoE) com 560 bilhões parâmetros no total, mas apenas 25 bilhões parâmetros ativos são usados durante a inferência.

Ling 3.1 Flash alcança 41 pontos no Artificial Analysis Intelligence Index. Esse benchmark composto avalia os modelos em raciocínio, conhecimento, matemática e programação.

Sim, o Ling 3.1 Flash está disponível por API em 1 provedor. Comparar provedores de API

Ling 3.1 Flash está disponível em 1 provedor de API. Comparar provedores

Análise de inteligência, desempenho e preço do Ling 3.1 Flash

Resumo do modelo

InteligênciaUpdated

Resumo da comparação

Especificações técnicas

118 modelos nesta classe

InteligênciaUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: pesos abertos vs. proprietários

Artificial Analysis Intelligence Index

Open Weights

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Briefcase v1.1Updated

Elo do AA-Briefcase

AA-Briefcase Elo

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: pontuação

Comparações do Intelligence Index

Intelligence Index vs. custo por tarefa do Intelligence Index

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Uso de tokens

Tokens de saída por tarefa do Índice de Inteligência

Output Tokens per Intelligence Index Task

Custo

Custo por tarefa do Intelligence Index

Cost per Intelligence Index Task

Custo de executar o Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preços: acertos de cache, entrada e saída

Cache Hit

Janela de contexto

Janela de contexto

Context Window for RAG

Context Window

Velocidade

Velocidade de saída

Output Speed

Model Performance Representation

Tempo por tarefa do Índice de Inteligência

Time per Intelligence Index Task

Latência

Latência: Tempo até o primeiro token da resposta final

Time to First Answer Token

Tempo de resposta de ponta a ponta

Tempo de resposta de ponta a ponta

End-to-End Response Time

Model Performance Representation

Tamanho do modelo (somente modelos de pesos abertos)

Tamanho do modelo: parâmetros totais e ativos

Total Parameters

Active Parameters at Inference Time

Perguntas frequentes

Quando o Ling 3.1 Flash foi lançado?

Quem criou o Ling 3.1 Flash?

Qual é a inteligência do Ling 3.1 Flash?

Qual é a velocidade do Ling 3.1 Flash?

Qual é a latência do Ling 3.1 Flash?

Quanto custa o Ling 3.1 Flash?

Qual é o preço da API do Ling 3.1 Flash?

Qual é a verbosidade do Ling 3.1 Flash?

O Ling 3.1 Flash é um modelo de raciocínio?

Quais modalidades de entrada o Ling 3.1 Flash aceita?

Quais modalidades de saída o Ling 3.1 Flash aceita?

O Ling 3.1 Flash consegue processar imagens?

O Ling 3.1 Flash é multimodal?

Qual é a janela de contexto do Ling 3.1 Flash?

O Ling 3.1 Flash é de código aberto?

Quantos parâmetros o Ling 3.1 Flash tem?

Quais são os parâmetros ativos do Ling 3.1 Flash?

Qual é o desempenho do Ling 3.1 Flash nos benchmarks?

O Ling 3.1 Flash está disponível por API?

Onde posso usar o Ling 3.1 Flash?