inclusionAI: Ling 3.0 Flash VL
ling-3.0-flash-vl- 入力 / 出力
- $0.0206 / $0.0618
- コンテキスト
- 256K
- 最大出力
- 32K
- モダリティ
- ビジョンチャット
- 機能
- ツール利用プロンプトキャッシュ
Ling 3.0 Flash VL について
Ling-3.0-flash-VLは、inclusionAIがLing-3.0-flashをベースに構築したオープンウェイトのマルチモーダルモデルです。テキスト、画像、動画を読み取り、視覚情報を単なるキャプション生成のステップとしてではなく、推論やツール利用に組み込んで処理します。総パラメータ数124B、アクティブパラメータ数5.5BのMixture-of-Experts（混合エキスパート）モデルであり、MITライセンスで公開されています。ドキュメントや画面読み取りのアシスタントに適しています。
得意なこと
- 124Bのパラメータのうち、トークンごとにアクティブになるのは5.5Bのみであるため、この規模のモデルとしては推論負荷が抑えられています。
- 画像と動画の両方に対応しており、VideoRoPEがフレーム順序をエンコードすることで時間経過を理解します。
- ツール呼び出しをサポートしているため、グラフやスクリーンショットから直接アクションを実行できます。
- ハイブリッドアテンションバックボーンを採用しており、1つのリクエストに含まれる多数のページやフレームといった長い入力を効率的に処理できるよう設計されています。
- ウェイトはMITライセンスの下で公開されており、セルフホスティングやファインチューニングが可能です。
他のモデルを検討すべきケース
- 思考モードがデフォルトで有効になっているため、レイテンシに敏感な呼び出しを行う場合は明示的に無効にする必要があります。
- テキストのみを出力します。画像や音声の出力には他のモデルが必要です。
- アクティブパラメータ数が中規模であるため、最も高度な推論においては、依然として最先端の独自モデルが優位です。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
テキスト・トゥ・テキストMessages APIPOST/v1/messagesAPI形式: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!"} ] }'
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
デフォルト仕様
100万トークンあたり- Official 価格
- 入力 $0.0206 / 出力 $0.0618 / キャッシュ読み取り $0.004118
- Verified 価格
- —
- 割引
- —
キャッシュ読み取り
- Official 価格
- $0.004118
- Verified 価格
- —
- 割引
- —
| Official 価格100万トークンあたり | Verified 価格100万トークンあたり | 割引 | |
|---|---|---|---|
| デフォルト仕様 | 入力 $0.0206 / 出力 $0.0618 / キャッシュ読み取り $0.004118 | — | — |
| プロンプトキャッシュ料金 | |||
| キャッシュ読み取り | $0.004118 | — | — |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
ConsoleでLing 3.0 Flash VLを開き、プロンプトを編集・送信できます。
ling-3.0-flash-vlと/v1/messagesでメッセージをテスト。返答、レイテンシ、コストを表示します。
ユースケース
向いている用途- ビジョン
グラフやダッシュボードの読み取り
メトリクスダッシュボードのスクリーンショットを読み込ませて、どの系列が変動したか、なぜその変化が重要なのかを問い、その結果をワークフローに渡すことができます。
動画レビュー
録画されたデモやCCTV（監視カメラ）映像について、特定のステップがいつ発生したかなどを質問し、イベントの順序を考慮した回答を得ることができます。
インターフェース駆動型エージェント
エージェントにウェブページのスクリーンショットを読み取らせ、使用するコントロールを判断させ、ツールを呼び出して操作を実行し、その結果を視覚的に確認させることができます。
プロンプト例
このスクリーンショットは請求ダッシュボードです。最も急激な減少があった月はいつで、どの項目がその理由を説明していますか？
この90秒の製品デモを見て、表示されているステップを順序通りにリストアップし、それぞれの開始時間を記載してください。
このホワイトボードの写真から、アクションアイテムと担当者をJSON形式で抽出し、それぞれに対してcreate_ticketを呼び出してください。
このモデルは条件付き料金です。月間トークン総量だけでは確実な見積もりができません。リクエスト仕様・キャッシュ・該当時間帯に応じた詳細料金をご利用ください。
FAQ
Ling 3.0 Flash VLはオープンウェイトですか？
はい。inclusionAIはHugging Face上でMITライセンスのもとモデルを公開しているため、ダウンロード、ローカル実行、ファインチューニングが可能です。独自のアーキテクチャを採用しているため、提供にはウェイトと共に公開されているコードが必要です。
どのような入力に対応していますか？
統合されたマルチモーダルメッセージを通じて、テキスト、画像、動画を受け付けます。出力はテキストです。ツール呼び出しをサポートしているため、視覚情報を記述するだけでなく、それに基づいたアクションを実行できます。
Ling 3.0 Flash VLの規模はどのくらいですか？
総パラメータ数は124Bで、スパースなMixture-of-Experts設計により、トークンごとに5.5Bがアクティブになります。42層のバックボーンは、KDAとGated MLAのアテンション層を5対1の比率で交互に配置しています。
回答する前に思考しますか？
思考モードがデフォルトで有効になっているため、回答前に推論を行います。画像からの単純な抽出など、迅速な回答が必要な場合は、リクエストパラメータを通じて無効にしてください。
Ling 3.0 Flash VL の料金はいくらですか？
TokenLab では Ling 3.0 Flash VL は 入力 $0.0206 / 出力 $0.0618 100万トークンあたり です。詳細は上の料金表を参照してください。 料金は課金単位・仕様・使用量によって異なります。モデルの詳細な料金で同条件同士を比較してください。単一のレートで総額は決まりません。
Ling 3.0 Flash VL のコンテキストウィンドウと出力制限は？
Ling 3.0 Flash VL は最大 262,144 トークンのコンテキストに対応し、1回のレスポンスで最大 32,768 トークンまで出力可能です。
Ling 3.0 Flash VL はどのエンドポイントを使うべきですか？
Ling 3.0 Flash VL のデフォルトは https://api.tokenlab.sh/v1/messages です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Ling 3.0 Flash VL はどの操作に対応していますか？
Ling 3.0 Flash VL は テキスト・トゥ・テキスト に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Ling 3.0 Flash VL を比較する
ソース
2026/10/02 時点での評価
