Ling-3.0-flash ของ Ant Group ขึ้น Hugging Face แล้ว — MoE 124B ที่ปลุกใช้จริงแค่ 5.1B ต่อโทเคน สัญญาอนุญาต MIT คอนเท็กซ์ 256K และเพิ่งปล่อยตัวเลข benchmark ออกมาเมื่อวาน

โมเดลตัวนี้เราตกไปหนึ่งจังหวะ — น้ำหนักของ Ling-3.0-flash จาก inclusionAI (ทีมโมเดลของ Ant Group เครือ Alibaba) ขึ้น Hugging Face มาตั้งแต่ต้นเดือนสิงหาคม แต่ตอนนั้นโมเดลการ์ดยังไม่มีตัวเลขผลทดสอบให้ดูเลย จนกระทั่ง เมื่อวานนี้ (6 ส.ค.) ทีมงานเพิ่งเพิ่มส่วน evaluation results เข้าไป ตอนนี้จึงพอประเมินได้ว่ามันอยู่ตรงไหน

และคำตอบคือ: น่าสนใจกว่าที่ขนาดไฟล์บอก

สเปก: ใหญ่ 124B แต่จ่ายไฟแค่ 5.1B

ตัวเลขที่เป็นจุดขายของรุ่นนี้คืออัตราส่วนการปลุกใช้ (activation ratio):

รายการ	ค่า
พารามิเตอร์รวม	124B
พารามิเตอร์ที่ปลุกใช้ต่อโทเคน	5.1B (~8.1%)
Expert	512 routed + 1 shared, ปลุกใช้ 8 ตัวต่อโทเคน
ชั้น Transformer	35 ชั้น KDA + 7 ชั้น Gated MLA
Attention heads	32
Hidden size	2,560
ขนาด vocabulary	157,184
คอนเท็กซ์	ฝึกไล่ระดับ 8K → 32K → 256K
สัญญาอนุญาต	MIT

จุดที่ต่างจาก MoE ทั่วไปคือสถาปัตยกรรม native hybrid linear attention: มันไม่ได้ใช้ attention แบบเดิมทั้งตัว แต่สลับ KDA (Kimi Delta Attention) กับ Gated MLA ในอัตราส่วน 5:1 — คือ 5 ชั้น linear ต่อ 1 ชั้น full attention

ผลที่ตามมาจับต้องได้ตรง ๆ ที่ TTFT (time to first token) ในงานอินพุตยาว ซึ่งทีมระบุว่าลดลง 60% ถึงกว่า 80% เทียบกับสถาปัตยกรรมเดิม นี่คือส่วนที่สำคัญที่สุดสำหรับงาน agent จริง เพราะ agent loop คือการยิงคอนเท็กซ์ยาว ๆ ซ้ำ ๆ หลายสิบรอบ ต้นทุนต่อรอบจึงทบกันเร็วมาก

ตัวเลขที่โมเดลการ์ดให้ไว้

ตัวเลขต่อไปนี้มาจากโมเดลการ์ดของ inclusionAI เอง ยังไม่มีการยืนยันจากบุคคลที่สาม — อ่านแบบระวังตามปกติ:

Benchmark	คะแนน
SWE-Bench Pro	56.6
SWE-Bench Multilingual	72.4
AIME 2026	93.2
HMMT Feb 2026	87
HLE	22.7

ทีมระบุว่าชุด SWE-Bench วัดด้วย OpenHands เป็น agent harness พร้อม prompt ที่ปรับเอง ตั้งค่า temperature 0.6, top_p 0.95, max_new_tokens 32K บนคอนเท็กซ์ 256K — การบอก harness มาด้วยเป็นเรื่องดี เพราะคะแนน SWE-Bench เปลี่ยนได้เยอะมากตาม harness ที่ใช้ (ประเด็นนี้ตรงกับผลทดสอบ harness ที่เราเคยเขียนถึง)

โมเดลการ์ดยังอ้างถึงผลบน Tau3-banking-AA, MCP-Atlas และ SkillsBench ด้วย แต่ยังไม่ได้ลงตัวเลขให้ดู

มีรุ่น FP4 มาให้แล้ว

สิ่งที่ทำให้รุ่นนี้ใช้งานได้จริงเร็วขึ้นคือ inclusionAI ปล่อย Ling-3.0-flash-fp4 ออกมาพร้อมกัน — เป็นการ quantize แบบ groupwise บนน้ำหนักของ routed expert เหลือขนาดราว 66B พารามิเตอร์ และตัวอย่าง quickstart ระบุว่ารันได้บน GPU Blackwell 2 ใบ ผ่าน backend อย่าง flashinfer_mxfp4

โมเดลการ์ดของรุ่น FP4 มีตารางเทียบผลหลัง quantize ให้ด้วย เช่น GPQA-diamond ที่ 82.42 และ IFBench ที่ 72.33 — การที่ผู้พัฒนาเผยแพร่ตัวเลข “หลังบีบ” ควบคู่กับตัวเลขเต็ม เป็นแนวปฏิบัติที่ควรเป็นมาตรฐานแต่ยังไม่ค่อยมีใครทำ

พูดตรง ๆ ว่านี่ยังไม่ใช่โมเดล “รันบนการ์ดเกม” — 66B ที่ FP4 กับ Blackwell สองใบยังเป็นระดับเวิร์กสเตชันหรือเซิร์ฟเวอร์ ไม่ใช่โน้ตบุ๊ก แต่ก็ห่างจาก “ต้องมีคลัสเตอร์” อยู่พอสมควร

มุมมอง AI Curator

เรื่องที่ควรจับไม่ใช่คะแนน benchmark แต่เป็น โจทย์ที่โมเดลตัวนี้เลือกจะแก้

โมเดลเปิดจากจีนช่วงหลังแข่งกันที่ “คะแนนสูงสุดต่อขนาด” กันหมด Ling-3.0-flash เลือกแข่งที่ ต้นทุนต่อการเรียกใช้ในงาน agent แทน — 5.1B active จาก 124B และ TTFT ที่ลดลง 60–80% ในอินพุตยาว คือการออกแบบเพื่องานที่ต้องวนลูปยาว ๆ ซ้ำ ๆ ไม่ใช่งานถาม-ตอบครั้งเดียว ซึ่งตรงกับสิ่งที่คนสร้าง agent เจอจริง: ปัญหาไม่ใช่โมเดลไม่ฉลาดพอ แต่คือรันทั้งวันแล้วบิลบานปลาย

สัญญาอนุญาต MIT คือประเด็นที่ประเมินค่าต่ำไม่ได้ โมเดลเปิดจำนวนมากที่โฆษณาว่า “open” มากับสัญญาที่มีเงื่อนไขการใช้เชิงพาณิชย์ เพดานผู้ใช้ หรือข้อจำกัดตามภูมิภาคแฝงอยู่ MIT ไม่มีอะไรพวกนั้น — สำหรับทีมในไทยที่ต้องผ่านฝ่ายกฎหมายก่อนเอาโมเดลขึ้น production ความแตกต่างตรงนี้มักเป็นตัวตัดสินจริงยิ่งกว่าคะแนน SWE-Bench (บทเรียนจากกรณีสัญญาอนุญาตของ Kimi K3 ยังใช้ได้อยู่: อ่านไฟล์ LICENSE ในรีโปเอง อย่าเชื่อพาดหัวข่าว)

สิ่งที่ยังต้องรอ และเป็นเหตุผลที่ไม่ควรรีบสรุปตอนนี้: ยังไม่มีตัวเลขจากบุคคลที่สาม — ไม่มี Artificial Analysis ไม่มี LMArena ไม่มีรายงานจากคนที่เอาไปรันงานจริง สถาปัตยกรรม hybrid linear attention เป็นตัวแปรที่ต้องจับตาเป็นพิเศษ เพราะโมเดลกลุ่ม linear/hybrid มีประวัติทำคะแนน benchmark ได้สวยแต่ไปพลาดตอนใช้งานคอนเท็กซ์ยาวจริง ตรงที่การจำรายละเอียดข้ามระยะไกลมีความสำคัญ ใครจะเอาไปใช้งาน agent ที่กินคอนเท็กซ์ยาว ๆ ควรทดสอบด้วยงานของตัวเองก่อน อย่าเพิ่งเชื่อเลข 256K ที่หน้าปก

ในบริบทอาเซียน โมเดลระดับนี้ที่เปิด MIT มีความหมายเชิงปฏิบัติ: องค์กรที่ติดข้อกำหนดว่าข้อมูลต้องไม่ออกนอกประเทศ — ธนาคาร โรงพยาบาล หน่วยงานรัฐ — ไม่มีทางเลือกอื่นนอกจากโฮสต์เอง และตัวเลือกที่ “โฮสต์เองได้จริงในงบที่จ่ายไหว” ยังนับนิ้วได้ การมีโมเดลที่ FP4 แล้วลงเซิร์ฟเวอร์สองการ์ดได้ พร้อมสัญญาที่ฝ่ายกฎหมายไม่ต้องตีความ คือการขยับเพดานของสิ่งที่ทำได้จริงในองค์กรแบบนั้น มากกว่าที่คะแนนเพิ่มอีกสองสามจุดจะให้ได้

แหล่งข่าว

• inclusionAI/Ling-3.0-flash — Hugging Face
• inclusionAI/Ling-3.0-flash-fp4 — Hugging Face
• Hugging Face trending models