Por Canuto  

Ant Group sorprende al mundo de la IA con Ling-3.0-Flash, un modelo de pesos abiertos de 124 mil millones de parámetros que activa solo 5.1 mil millones por token y supera en benchmarks a su predecesor de un billón. Una hazaña que redefine la eficiencia computacional y los costos de implementación de agentes de IA.
***

  • Ling-3.0-Flash usa una arquitectura MoE con 124B parámetros totales y solo 5.1B activos por token, logrando igualar o superar a Ling-2.6-1T en tareas clave.
  • El modelo está disponible bajo licencia MIT y cuenta con ventana de contexto nativa de 262.000 tokens, apuntando a un millón, diseñado para agentes de producción de alta frecuencia.
  • Ant Group ofrece acceso gratuito a la API hasta el 3 de agosto de 2026, y el modelo está disponible en Hugging Face, OpenRouter, Kilo y Vercel AI Gateway.

 

Ant Group, el gigante fintech detrás de Alipay, lanzó Ling-3.0-Flash el 23 de julio de 2026. El modelo fue desarrollado por su laboratorio inclusionAI y desafía la noción de que en IA más grande es siempre mejor.

Ling-3.0-Flash tiene 124 mil millones de parámetros totales, pero activa solo alrededor de 5.1 mil millones por token durante la inferencia. Esta arquitectura de Mezcla de Expertos (MoE) permite que solo un subconjunto de la red neuronal se involucre para cada entrada, detalla Cryptobriefing.

Rendimiento que desafía la escala

En el Índice de Inteligencia Artificial Analysis, el modelo obtuvo un puntaje de 38, igualando o superando a su predecesor Ling-2.6-1T, que tenía un billón de parámetros completos. Eso lo hace aproximadamente ocho veces más pequeño en número total de parámetros, pero competitivo en las métricas que importan para despliegues de producción.

El logro principal radica en las tareas centrales de razonamiento y seguimiento de instrucciones. La arquitectura combina razonamiento híbrido con MoE, logrando eficiencia sin sacrificar calidad.

La longitud de contexto también avanza: la ventana nativa es de 262.000 tokens, con planes de expansión a un millón. El mecanismo de atención combina capas de Atención Delta de Kimi y Atención Latente de Múltiples Cabezas, conocido como enfoque híbrido-lineal.

Este diseño mantiene los requisitos de memoria y cómputo manejables a medida que el contexto crece. Ant Group describe esta técnica como fundamental para soportar tareas complejas de agente.

Diseñado para agentes, no solo para chat

Ling-3.0-Flash fue pensado específicamente para agentes de IA de grado de producción que se ejecutan a alta frecuencia. Estos flujos de trabajo exigen generación rápida de tokens, adherencia confiable a instrucciones y manejo de contexto largo sin degradación.

Una biblioteca masiva donde el bibliotecario solo necesita sacar cinco libros a la vez, sin importar cuán compleja sea la pregunta. Esa es la metáfora que usan los desarrolladores para explicar el enfoque.

La eficiencia en la inferencia es clave para reducir costos. Al activar solo 5.1B parámetros, se reduce directamente el cómputo necesario por consulta, lo que abarata la operación a escala.

Ant Group ya probó el modelo en sus propios servicios de Alipay. Aunque no se revelaron cifras específicas, la compañía destaca que el modelo está optimizado para manejar tareas complejas de agentes en producción.

Disponibilidad abierta y comercial

El modelo fue publicado en Hugging Face bajo licencia MIT, la más permisiva dentro del código abierto. Esto permite uso, modificación y redistribución comercial sin regalías.

También se ofreció acceso gratuito a la API a través de OpenRouter y Kilo hasta el 3 de agosto de 2026. Además, está accesible a través de los canales de Ant Group y la pasarela de IA de Vercel.

La licencia MIT elimina barreras para desarrolladores y empresas que quieran integrarlo en sus productos. Esto contrasta con otros modelos de código abierto que imponen restricciones de uso comercial.

La decisión de Ant Group de abrir el modelo busca posicionar a la empresa como líder en eficiencia. Según el reporte original, esto podría acelerar la adopción de IA en sectores donde los costos de inferencia son prohibitivos.

Implicaciones para el futuro de la IA

Si un modelo MoE de 124B con 5.1B activos puede igualar o superar la línea base de un billón de parámetros, la estructura de costos de implementar IA capaz disminuye significativamente. La inferencia es donde las empresas de IA gastan dinero después del entrenamiento.

Este avance podría presionar a otros laboratorios a repensar sus estrategias de escala. La eficiencia se convierte en un factor competitivo clave, no solo el número de parámetros.

El mercado de agentes de IA se beneficia directamente, ya que los tiempos de respuesta son críticos. Modelos como Ling-3.0-Flash permiten interacciones más rápidas y costos predecibles.

CryptoBriefing destaca que este es un paso notable en la carrera de eficiencia de la IA, con implicaciones para toda la industria. La combinación de velocidad, bajo costo y licencia abierta podría cambiar el panorama de la inteligencia artificial.

Ant Group demuestra que la innovación no siempre significa construir el modelo más grande, sino el más inteligente para el uso real. La comunidad de desarrollo ya puede experimentar con esta nueva generación de IA eficiente.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados