Ant Group lança modelo open-weights focado em finanças

Lançamento

A Ant Group lançou o Ling-3.0-flash-Fin, modelo de pesos abertos focado em finanças, construído sobre o Ling-3.0-flash. Segundo a empresa, o modelo foi desenvolvido com instituições financeiras e especialistas do setor para apoiar pesquisa financeira, incluindo verificação de fontes, construção de planilhas de valuation e redação de relatórios. É um modelo somente de texto, lançado após o Ling-3.0-flash-VL, que aceita entrada de imagem e vídeo e obteve 25 no Intelligence Index.

Desempenho em benchmarks

O Ling-3.0-flash-Fin pontua 23 no Artificial Analysis Intelligence Index e 24 no Finance & Accounting Index. Ele empata com o MiniMax-M2.7 no Intelligence Index com cerca de metade dos parâmetros ativos: 5,1B por token contra 10B do concorrente. No Finance & Accounting Index, empata com o Ling-3.0-flash-VL (24), com maior precisão de conhecimento de negócios (17% contra 11%), mas também maior taxa de alucinação nesse domínio (taxa de não alucinação de 67% contra 81%).

Em trabalho profissional de conhecimento, o Fin fica ligeiramente abaixo do flash-VL: 1171 Elo no GDPval-AA v2 contra 1225 (embora acima dos 1087 do MiniMax-M2.7) e 967 no AA-Briefcase contra 986. No AA-Briefcase, que testa agentes em fluxos de trabalho complexos com grandes coleções de arquivos para produzir planilhas, apresentações e memorandos, o Fin passa menos verificações de rubrica (23,5% contra 24,9%) e tem Elo analítico menor (866 contra 907), mas Elo de apresentação levemente superior (1095 contra 1076) - resultado que a própria Artificial Analysis considera surpreendente, já que o Fin não aceita imagens.

Limitações em tarefas agênticas

Tarefas agênticas difíceis seguem sendo um desafio: o Fin pontua 7% no AutomationBench-AA, que testa fluxos entre aplicativos de negócios respeitando guardrails, contra 16% do flash-VL. Ambos marcam 0% no Terminal-Bench v4.0, dedicado a tarefas difíceis de uso de terminal.

Eficiência e posição frente a outros modelos

O Ling-3.0-flash-Fin usa mais tokens de saída que os modelos comparados: cerca de 67 mil tokens por tarefa do Intelligence Index, aproximadamente 34% mais que o flash-VL (~50 mil) e 3,2 vezes mais que o MiniMax-M2.7 (~21 mil).

O modelo fica na fronteira de Pareto entre Intelligence Index e parâmetros ativos: 23 pontos com 5,1B ativos por token, contra 25 do flash-VL com 5,5B ativos. Ambos têm 124B de parâmetros totais; o Qwen3.8 27B (xhigh) pontua 34 com 27B totais, colocando os dois modelos Ling abaixo da fronteira de parâmetros totais.

Ficha técnica

O modelo é de pesos abertos com licença MIT, arquitetura MoE de raciocínio com 124B de parâmetros totais e 5,1B ativos por token, janela de contexto de 256 mil tokens, entrada e saída somente em texto, e disponibilidade via OpenRouter, incluindo um endpoint gratuito com limite de taxa.