Ant Group представила финансовую специализированную модель Ling-3.0-flash-Fin
Специализированная языковая модель для банковского сектора, аудита финотчётности и инвестиционного анализа.
Ant Group выпустила Ling-3.0-flash-Fin, модель, ориентированную на финансы, основанную на Ling-3.0-flash. Ant Group объявила, что разработала модель совместно с финансовыми учреждениями и отраслевыми экспертами для поддержки финансовых исследований, включая проверку источников, построение таблиц оценки и написание отчетов. Эта текстовая модель появилась после выпуска модели Ling-3.0-flash-VL с возможностью ввода изображений и видео, которая получила 25 баллов в индексе интеллекта.
Ключевые результаты:
➤ Ling-3.0-flash-Fin соответствует показателю интеллекта MiniMax-M2.7 примерно с половиной активных параметров. Оба набирают 23 балла, а Flash-Fin активирует 5,1 млрд параметров на каждый токен по сравнению с 10 млрд у MiniMax-M2.7.
➤ Ling-3.0-flash-Fin соответствует Ling-3.0-flash-VL на 24 месте в индексе искусственного анализа финансов и бухгалтерского учета. У Fin более высокая точность бизнес-знаний, чем у VL (17% против 11%), но также выше галлюцинация бизнес-знаний (33% против 19%)
➤ Ling-3.0-flash-Fin оценивает немного ниже Ling-3.0-flash-VL в профессиональной интеллектуальной работе. Он набирает 1171 балл Эло на GDPval-AA v2 и 967 на AA-Briefcase по сравнению с 1225 и 986 соответственно для Ling-3.0-flash-VL. Оба эталона тестируют агентов при выполнении профессиональных задач, таких как создание документов и электронных таблиц.
➤ Сложные агентские задачи остаются проблемой для Ling-3.0-flash-Fin. Он набирает 7% в тесте AutomationBench-AA, который тестирует рабочие процессы в бизнес-приложениях с соблюдением ограничений, по сравнению с 16% для модели flash-VL. Обе модели получили 0% баллов в тесте Terminal-Bench v4.0, который тестирует сложные задачи использования терминала.
➤ Ling-3.0-flash-Fin использует больше выходных токенов, чем модель flash-VL и MiniMax-M2.7. В среднем он генерирует ~67 тыс. выходных токенов на задачу индекса интеллекта, что примерно на 34% больше, чем у VL (~50 тыс.) и 3,2x MiniMax-M2.7 (~21 тыс.).
Дополнительные сведения о модели:
➤ Тип: модель рассуждения с открытыми весами.
➤ Размер: всего 124 млрд параметров, 5,1 млрд активных на каждый токен (MoE).
➤ Контекстное окно: 256 тыс. токенов.
➤ Модальности: ввод и вывод текста.
➤ Доступность API: доступен через @OpenRouter, включая бесплатную конечную точку с ограниченной скоростью.
➤ Лицензия: MIT.
Ling-3.0-flash-Fin находится на границе Парето по индексу интеллекта по сравнению с активными параметрами, набрав 23 балла с 5,1 млрд активных параметров на токен по сравнению с оценкой 25 или Ling-3.0-flash-VL, который использует 5,5 млрд активных параметров на токен. Обе модели имеют общее количество параметров 124B, а Qwen3.8 27B (xhigh) набирает 34 балла с общим количеством параметров 27B, что ставит обе модели Линга ниже границы общих параметров.
Ling-3.0-flash-Fin набрал 24 балла в Индексе искусственного анализа финансов и бухгалтерского учета, который сочетает в себе бизнес-знания, рассуждения, агентурную работу, долгосрочный контекстный анализ и отсутствие галлюцинаций. Это тот же результат, что и у Ling-3.0-flash-VL. У Фина более высокая точность бизнес-знаний (17% против 11%), но также хуже возникают галлюцинации бизнес-знаний (уровень отсутствия галлюцинаций 67% против 81%).
Ling-3.0-flash-Fin набирает 1171 балл Эло на GDPval-AA v2, который проверяет агентов на профессиональные знания. Это примерно на 50 баллов отстает от Ling-3.0-flash-VL, набравшего 1225 баллов, и выше MiniMax-M2.7, набравшего 1087 баллов.
Линг-3.0-flash-Fin набирает 967 Эло в AA-Портфеле, что немного ниже Линг-3.0-flash-VL (986). AA-Briefcase тестирует агентов на сложных бизнес-процессах, используя большие коллекции исходных файлов для создания электронных таблиц, презентаций и заметок. По сравнению с VL, Fin проходит меньше проверок по критериям (23,5% против 24,9%) и имеет более низкий балл по аналитическому качеству Elo (866 против 907), в то время как его показатель Presentation Elo немного выше (1095 против 1076), что удивительно, поскольку он не обладает возможностями ввода изображений модели VL.
Ling-3.0-flash-Fin в среднем выдает ~67 тыс. токенов на задачу индекса интеллекта, что на ~34% больше, чем Ling-3.0-flash-VL, который выдает ~50 тыс. на задачу.
Полные результаты для Ling-3.0-flash-Fin по 10 оценкам в индексе искусственного анализа интеллекта v4.3.
