inclusionAI: Ling 3.0 Flash VL

Ling 3.0 Flash VL combine la compréhension visuelle avec un long contexte textuel et l'utilisation d'outils. Il peut prendre en charge des assistants documentaires qui doivent interpréter un graphique ou une capture d'écran avant de relier les résultats à une tâche écrite plus large.

Comparer les modèles

ling-3.0-flash-vl

DisponibleinclusionAIDiscussion

Entrée / Sortie: $0.0206 / $0.0618
Contexte: 256K
Sortie maximale: 32K
Modalités: VisionDiscussion
Capacités: Utilisation d'outilsCache de prompts

À propos de Ling 3.0 Flash VL

Ling-3.0-flash-VL est un modèle multimodal à poids ouverts d'inclusionAI, basé sur Ling-3.0-flash. Il lit le texte, les images et la vidéo, et intègre la vision au raisonnement et à l'utilisation d'outils plutôt que de la traiter comme une étape de sous-titrage distincte. Il s'agit d'un modèle de type « mixture-of-experts » avec 124 milliards de paramètres au total et 5,5 milliards de paramètres actifs, publié sous licence MIT, et adapté aux assistants de lecture de documents et d'écrans.

Points forts

Seuls 5,5 milliards de ses 124 milliards de paramètres sont actifs par jeton, ce qui maintient une inférence légère pour un modèle de cette taille.
Les images et les vidéos sont prises en charge, et VideoRoPE encode l'ordre des images afin que le temps soit pris en compte.
L'appel d'outils est pris en charge, de sorte qu'un graphique ou une capture d'écran peut mener directement à une action.
Une architecture hybride d'attention est conçue pour traiter efficacement les entrées longues, comme de nombreuses pages ou images dans une seule requête.
Les poids sont publics sous licence MIT pour l'auto-hébergement et le réglage fin (fine-tuning).

Quand préférer un autre modèle

Le mode réflexion est activé par défaut ; les appels sensibles à la latence doivent donc le désactiver explicitement.
Il produit uniquement du texte ; la sortie d'image ou d'audio nécessite d'autres modèles.
La taille moyenne des paramètres actifs signifie que les modèles propriétaires de pointe restent en tête sur les raisonnements les plus complexes.

Pour commencer

Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.

Envoyez votre première requête

Copiez l'exemple pour votre langage et lancez-le.

Texte vers texteMessages API

POST/v1/messages

Format d'API:

curl https://api.tokenlab.sh/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: sk-xxx" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "ling-3.0-flash-vl",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Hello!"}
    ]
  }'

Tarification

Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.

Spécification par défaut

Par 1M Token

Prix Official: Entrée $0.0206 / Sortie $0.0618 / Lecture cache $0.004118
Prix Verified: —
Remise: —

Tarification du cache de prompt

Lecture cache

Prix Official: $0.004118
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Spécification par défaut	Entrée $0.0206 / Sortie $0.0618 / Lecture cache $0.004118	—	—
Tarification du cache de prompt
Lecture cache	$0.004118	—	—

Utilisation et activité

Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.

Utilisation et disponibilité

Dernières 24 heures

Requêtes
Taux de succès
Latence P95
Total des jetons

Performance du modèle

Dernière mise à jour 13 nov. 2026, 05:01 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez Ling 3.0 Flash VL dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester ling-3.0-flash-vl avec un message sur /v1/messages. Affiche la réponse, la latence et le coût.

Cas d'usage

Idéal pour

Vision

Lecture de graphiques et de tableaux de bord
Fournissez une capture d'écran d'un tableau de bord de métriques et demandez quelles séries ont évolué et pourquoi ce changement pourrait être important, puis transmettez le résultat à un flux de travail.
Revue vidéo
Posez des questions sur une démo enregistrée ou un clip de vidéosurveillance, par exemple sur le moment où une étape s'est produite, et obtenez des réponses qui respectent l'ordre des événements.
Agents pilotés par interface
Laissez un agent lire une capture d'écran de page web, décider quel contrôle utiliser et appeler un outil pour agir, en vérifiant le résultat visuellement.

Exemples de prompts

Cette capture d'écran montre notre tableau de bord de facturation. Quel mois a connu la baisse la plus marquée, et quel poste de dépense l'explique ?

Regardez cette démo produit de 90 secondes et listez les étapes présentées, dans l'ordre, avec le moment où chacune commence.

À partir de cette photo d'un tableau blanc, extrayez les éléments d'action et les responsables sous forme JSON, puis appelez create_ticket pour chacun.

Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.

FAQ

Ling 3.0 Flash VL est-il à poids ouverts ?

Oui. inclusionAI publie le modèle sur Hugging Face sous licence MIT, vous pouvez donc le télécharger, l'exécuter localement ou le régler finement. Il utilise une architecture personnalisée, donc le service nécessite le code publié avec les poids.

Quelles entrées accepte-t-il ?

Du texte, des images et de la vidéo via des messages multimodaux unifiés. La sortie est du texte. Il prend en charge les appels d'outils, il peut donc agir sur ce qu'il voit tout en le décrivant.

Quelle est la taille de Ling 3.0 Flash VL ?

Il possède 124 milliards de paramètres au total, dont 5,5 milliards sont actifs par jeton, utilisant une conception de type « sparse mixture-of-experts ». L'architecture à 42 couches alterne les couches d'attention KDA et Gated MLA selon un ratio de 5 pour 1.

Réfléchit-il avant de répondre ?

Le mode réflexion est activé par défaut, il raisonne donc avant de répondre. Désactivez-le via les paramètres de requête lorsque vous avez besoin de réponses rapides, comme pour une simple extraction à partir d'une image.

Combien coûte Ling 3.0 Flash VL ?

Sur TokenLab, Ling 3.0 Flash VL coûte Entrée $0.0206 / Sortie $0.0618 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet. Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.

Quelles sont les limites de contexte et de sortie de Ling 3.0 Flash VL ?

Ling 3.0 Flash VL accepte jusqu'à 262 144 jetons de contexte et génère jusqu'à 32 768 jetons par réponse.

Quel endpoint Ling 3.0 Flash VL doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/messages pour Ling 3.0 Flash VL. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations Ling 3.0 Flash VL prend-il en charge ?

Ling 3.0 Flash VL prend en charge Texte vers texte. Sélectionnez une opération pour voir l'endpoint et un exemple.