Ling 3.0 Flash ist das intelligenteste offene Modell seiner Größe und hat aufgehört, Dinge zu erfinden
InclusionAI der Ant Group hat Ling 3.0 Flash unter der MIT-Lizenz veröffentlicht. Die Hauptzahl ist nicht der Intelligenzwert, sondern die Halluzinationsrate, die von 97 auf 44 Prozent sinkt.
Ling 3.0 Flash, diese Woche von inclusionAI, dem KI-Zweig der Ant Group, veröffentlicht, ist derzeit das offene Modell mit der höchsten Punktzahl unter 124 Milliarden Gesamtparametern. Auf dem Artificial Analysis Intelligence Index erreicht es 38 Punkte, ein großer Sprung gegenüber seinem Vorgänger und gleichauf mit Qwen3.6 27B, wobei weit weniger aktive Parameter verwendet werden. Es wird unter der MIT-Lizenz veröffentlicht, mit Gewichtungen auf Hugging Face und API-Zugriff über inclusionAI und DeepInfra.
Die interessantere Zahl steht woanders. Bei AA Omniscience, einem Test, der prüft, ob ein Modell zugibt, wenn es etwas nicht weiß, sank Lings Halluzinationsrate von 97 Prozent auf 44 Prozent. Eine Halluzination liegt vor, wenn ein Modell voller Überzeugung etwas Falsches sagt und der Test misst, wie oft es eine Antwort erfindet, anstatt sie abzulehnen. Der Übergang von „fast immer etwas erfindet“ zu „Erfindet etwas zu weniger als der Hälfte der Fragen, die es nicht beantworten kann“ ist eine größere praktische Verbesserung als jeder Benchmark-Punkt. Das bedeutet immer noch etwa zwei von fünf, es handelt sich also um einen Fortschritt und nicht um ein gelöstes Problem.
Zwei weitere wissenswerte Dinge. Ling 3.0 Flash ist pro Token günstiger als jedes vergleichbar leistungsfähige Modell, obwohl es bei komplexen Aufgaben mehr Token verbraucht, sodass der Vorteil pro Token bei echter Arbeit kleiner wird. Selbst gemessen pro abgeschlossener Aufgabe bleibt es günstiger als Qwen3.6 27B. Und insgesamt ist es nicht der Spitzenreiter: DeepSeek V4 Flash liegt mit 52 im gleichen Index deutlich vorne.
Was ist hier eigentlich los?
Hier sind zwei Muster gleichzeitig sichtbar. Das erste ist, dass „kleine“ offene Modelle weiterhin den Boden auffressen, auf dem die großen standen, und die Lücke zwischen einem offenen Modell, das Sie herunterladen können, und einem Grenzmodell, das Sie mieten, jetzt in Monaten statt in Jahren gemessen wird. Der zweite Grund ist, dass die Labore begonnen haben, auf der Grundlage von Ablehnung zu konkurrieren und nicht nur auf der Grundlage ihrer Leistungsfähigkeit. Der Anreiz verlief jahrelang in die andere Richtung: Ein Modell, das alles beantwortet, sieht in einer Demo nützlicher aus als eines, das „Ich weiß nicht“ sagt. Wenn diese Modelle Einzug halten und eine selbstbewusste falsche Antwort echtes Geld kostet, wird es zu einem Merkmal, für das die Leute bezahlen werden, wenn sie mit Unsicherheiten ehrlich umgehen. Weniger aktive Parameter bedeuten übrigens weniger Berechnungen pro Wort, weshalb ein Modell zwar insgesamt groß, aber günstig und schnell lauffähig sein kann.
Was das für dich bedeutet: Die meisten Menschen werden dieses Modell nicht direkt verwenden, und das ist völlig in Ordnung. Es erweitert vor allem die Auswahl. Wer ein Produkt entwickelt, kann nun ein wirklich leistungsfähiges Modell herunterladen, auf eigener Hardware betreiben und vermeiden, Kundendaten über das Internet zu senden. Die MIT-Lizenz erlaubt sogar die kommerzielle Nutzung. Genau darum geht es bei offenen Modellen, und dieses Argument wird jeden Monat überzeugender. Wenn du Modelle lokal betreibst, ist Ling 3.0 Flash einen Test wert. Andernfalls solltest du die Halluzinationsrate im Blick behalten: „Wie oft gibt ein Modell zu, etwas nicht zu wissen?“ wird zur besseren Frage als „Wie klug ist es?“
Quellen
Mistral OCR 4.1 kann jetzt genau auf den gelesenen Absatz zeigen
Der Dokumentenleser des französischen Labors gibt jetzt Koordinaten auf Absatzebene zurück, beschriftet jeden Block nach Typ und bewertet seine eigene Zuverlässigkeit. Auf dem Papier langweilig und genau das, was KI-Dokumentantworten überprüfbar macht.
