Ling 3.0 Flash es el modelo abierto más inteligente de su tamaño y dejó de inventarse
La inclusión de Ant GroupAI lanzó Ling 3.0 Flash bajo la licencia del MIT. La cifra principal no es la puntuación de inteligencia, sino la tasa de alucinaciones que cae del 97 al 44 por ciento.
Ling 3.0 Flash, lanzado esta semana por inclusionAI, la división de inteligencia artificial de Ant Group, es actualmente el modelo abierto con mayor puntuación bajo 124 mil millones de parámetros totales. En el Índice de Inteligencia de Análisis Artificial alcanza los 38 puntos, un gran salto con respecto a su predecesor y al nivel de Qwen3.6 27B, aunque utiliza muchos menos parámetros activos. Se lanza bajo la licencia MIT, con ponderaciones en Hugging Face y acceso API a través de inclusionAI y DeepInfra.
El número más interesante está en otra parte. En AA Omniscience, una prueba para determinar si un modelo admite cuando no sabe algo, la tasa de alucinaciones de Ling cayó del 97 por ciento al 44 por ciento. Una alucinación ocurre cuando un modelo dice algo falso con total confianza y la prueba mide con qué frecuencia inventa una respuesta en lugar de rechazarla. Pasar de “casi siempre inventa algo” a “inventa algo en menos de la mitad de las preguntas que no puede responder” es una mejora práctica mayor que cualquier punto de referencia. Todavía significa aproximadamente dos de cada cinco, por lo que esto es un progreso, no un problema resuelto.
Dos cosas más que vale la pena saber. Ling 3.0 Flash es más barato por token que cualquier modelo de capacidad comparable, aunque consume más tokens en tareas complejas, por lo que la ventaja por token se reduce en el trabajo real. Incluso medido por tarea completada, sigue siendo más barato que Qwen3.6 27B. Y no es el líder general: DeepSeek V4 Flash se sitúa en el puesto 52 en el mismo índice, muy por delante.
¿Qué está pasando realmente aquí?
Aquí se ven dos patrones a la vez. La primera es que los modelos abiertos “pequeños” siguen comiéndose el terreno que ocupaban los grandes, y la brecha entre un modelo abierto que puedes descargar y un modelo fronterizo que puedes alquilar ahora se mide en meses en lugar de años. La segunda es que los laboratorios han comenzado a competir por el rechazo y no sólo por la capacidad. Durante años, el incentivo fue al revés: un modelo que responde a todo parece más útil en una demostración que uno que dice “No lo sé”. A medida que estos modelos se trasladan al trabajo donde una respuesta incorrecta y segura cuesta dinero real, ser honesto acerca de la incertidumbre se convierte en una característica por la que la gente pagará. Por cierto, menos parámetros activos significan menos cálculos por palabra, razón por la cual un modelo puede ser grande en total pero barato y rápido de ejecutar.
Qué significa esto para ti: la mayoría de las personas no utilizará este modelo directamente, y no pasa nada. Lo que cambia es la oferta disponible. Quien desarrolle un producto ya puede descargar un modelo realmente capaz, ejecutarlo en su propio equipo y evitar enviar datos de clientes por Internet, con una licencia que permite el uso comercial. Ese es el gran argumento de los modelos abiertos, y cada mes resulta más convincente. Si ejecutas modelos en local, merece la pena probarlo. Si no, fíjate en la tasa de alucinaciones: «¿con qué frecuencia admite que no sabe algo?» empieza a ser una pregunta mejor que «¿hasta qué punto es inteligente?».
Fuentes
Mistral OCR 4.1 ahora puede señalar el párrafo exacto que lee
El lector de documentos del laboratorio francés ahora devuelve coordenadas a nivel de párrafo, etiqueta cada bloque por tipo y califica su propia confianza. Aburrido sobre el papel, y exactamente lo que hace que las respuestas de los documentos de IA sean verificables.
