Ling-3.1-flash a été officiellement publié en open source par l'équipe Ling d'Ant Group le 15 octobre 2026, ses poids étant référencés sur Hugging Face et ModelScope. Le modèle avait été lancé le 30 septembre avec une période d'essai close le 14 octobre ; ce qui arrive aujourd'hui, ce sont les poids complets et le contexte intégral d'un million de jetons, l'étape qui permet enfin aux équipes de le brancher sur leurs propres systèmes.
D'abord le seuil de déploiement : 560 milliards d'envergure, 25 milliards actifs
Ling-3.1-flash prolonge l'architecture linéaire hybride de Ling-3.0-flash, avec environ 560 milliards de paramètres au total, près de 25 milliards actifs par jeton et un plafond de contexte d'un million de jetons. La carte officielle du modèle donne comme déploiement de référence huit GPU H200 ou quatre GPU GB300, avec des voies de service pour SGLang et vLLM. Ce n'est visiblement pas pensé pour un ordinateur personnel, mais son taux d'activation réduit le calcul de chaque inférence par rapport à un modèle dense de taille comparable. La direction est inverse de celle de MiniCPM-V 4.7, qui a fait tenir un modèle multimodal dans la mémoire d'un téléphone : l'un rétrécit le modèle jusqu'à ce que le terminal le supporte, l'autre rend un grand modèle exploitable à coût raisonnable en centre de données.
Lire les chiffres en morceaux : une force au bureau et à la livraison, pas seulement un score total
Dans les tests publics d'Artificial Analysis, Ling-3.1-flash affiche un indice d'intelligence de 41, une vitesse de sortie d'environ 210 jetons par seconde et un prix mixte proche de 0,19 dollar par million de jetons. Ses notes par scénario en disent plus sur son positionnement : 1673 points au banc d'essai de travail de bureau GDPVal-AA V2.1, 65,35 au HealthBench Professional pour les scènes médicales, et des résultats correspondants sur les bancs de génie logiciel et d'opérations en terminal. Dans les démonstrations de l'éditeur, il a transformé des documents financiers épars en tableaux modifiables et en page interactive, lu du code ancien, écrit de nouvelles fonctions et continué à les corriger selon les résultats des tests. L'intérêt de cette publication tient moins au nombre de paramètres qu'à la possibilité, pour chaque équipe, de vérifier sur ses propres tâches la part de demandes métier floues qu'il mène réellement au bout.
Avant de brancher ces poids en production, trois vérifications méritent d'être faites d'abord. Premièrement, une comparaison sur petit échantillon avec vos tâches de bureau et d'ingénierie, en observant s'il se rattrape après une erreur en pleine tâche longue plutôt que de juger des réponses isolées. Deuxièmement, une mesure de coût selon votre part réelle d'appels au contexte complet d'un million de jetons, car facture et latence bougent sensiblement quand le contexte est poussé au maximum. Troisièmement, dans les domaines à haut risque comme la médecine, le cantonner aux étapes auxiliaires, organisation d'antécédents et listes de questions, les conclusions formelles passant toujours par une relecture professionnelle. Ce n'est qu'après ces trois étapes qu'il devient raisonnable de juger s'il doit remplacer le modèle d'un flux de travail existant.
