اگر به دنبال مدلهایی هستید که بدون نیاز به سختافزارهای عظیم، هوشی در سطح مدلهای غولپیکر ارائه دهند، Ling 3.0 Flash دقیقاً برای شماست. این مدل در ۱۳ اوت ۲۰۲۶ در شاخص هوش Artificial Analysis امتیاز ۳۸ را کسب کرد و جایگاه خود را بهعنوان هوشمندترین مدل باز در کلاس وزنی خود تثبیت کرد.
این عرضه در زمانی رخ میدهد که صنعت به سمت مدلهای «کوچک اما قدرتمند» حرکت میکند؛ مدلهایی که بهجای تعداد پارامتر، بر بهرهوری تمرکز دارند. برای کاربران تجاری، این یعنی دسترسی به هوش سطح بالا دیگر نیازمند هزینههای سرسامآور محاسباتی (Compute) — شبیه به کرایه یک آشپزخانه صنعتی گرانقیمت برای پختن یک غذای ساده — نیست. همانطور که در تحلیلهای قبلی ما دربارهی مدلهای زبانی کوچک (SLM) اشاره کردیم، بهینهسازی معماری اکنون اولویت اول شرکتهای پیشرو است.
طبق گزارش Artificial Analysis، مدل Ling 3.0 Flash برترین مدل باز با مجموع پارامترهای زیر ۱۲۴ میلیارد است. بر اساس مستندات فنی، پیشرفتهای کلیدی این مدل عبارتند از:
- کاهش توهم: نرخ توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که وجود ندارد، مثل دوستی که خاطرهای را اشتباه تعریف میکند — در آزمون AA Omniscience از ۹۷٪ به ۴۴٪ رسید.
- بهبودهای عاملمحور: عملکرد قویتر در وظایف خودگردان، بهویژه در محک بانکی t3-Bench.
- بهرهوری هزینه: این مدل در قیمت هر توکن (Token) — تکههای کوچکی از متن که مدل تکهتکه میخورد — از تمام رقبای همتراز خود ارزانتر است و حتی از Qwen3.6 27B نیز بهصرفهتر است.
به گزارش منابع فنی، اگرچه این مدل در وظایف پیچیده توکنهای بیشتری مصرف میکند، اما کف قیمتی پایین آن، آن را برای محیطهای عملیاتی بسیار رقابتی میکند. همچنین تمایل بیشتر مدل به رد کردن سؤالاتی که نمیتواند با اطمینان پاسخ دهد، نشاندهنده چرخش به سمت مبنیسازی (Grounding) و ایمنی است، بهجای حدسهای خلاقانه اما غلط.
بخش inclusionAI از شرکت Ant Group این مدل را تحت لایسنس MIT منتشر کرده است. در حال حاضر این مدل از طریق API شرکت inclusionAI، پلتفرم DeepInfra و بهصورت وزنهای باز (Open Weights) — یعنی انتشار دستور پخت مدل بهجای فقط غذای آماده — در Hugging Face در دسترس است.
گام بعدی شما
- توسعهدهندگان حوزه فینتک باید عملکرد این مدل را در عاملهای بانکی تخصصی بررسی کنند.
- مقایسه هزینه استنتاج Ling 3.0 Flash با مدلهای Qwen در محیطهای تولیدی.
- تست نرخ توهم مدل در دادههای فارسی برای سنجش قابلیت اطمینان.
اما تأثیر این بهینهسازیها بر سختافزارهای لبه حتی جذابتر است؛ برای درک این موضوع به تحلیل ما دربارهی رایانش لبه مراجعه کنید.
گفتگو