Ling 3.0 Flash Fin

Introduction et genèse du modèle

Le secteur financier exige une précision rigoureuse, une capacité d'analyse de données complexes et une vérification systématique des sources. C'est pour répondre à ces exigences pointues qu'InclusionAI, l'initiative d'intelligence artificielle d'Ant Group, a développé le modèle inclusionai/ling-3.0-flash-fin, publié le 27 août 2026. Premier modèle optimisé pour la finance de la famille Ant Ling, il ne se présente pas comme une architecture entièrement nouvelle, mais plutôt comme une spécialisation par entraînement continu du modèle généraliste Ling-3.0-flash. Conçu en collaboration étroite avec des institutions financières et des experts du secteur, ce modèle cible spécifiquement les agents de recherche financière.

Architecture technique et modalités opérationnelles

Sur le plan de l'architecture, inclusionai/ling-3.0-flash-fin s'appuie sur une structure de type mélange d'experts (MoE, ou Mixture of Experts). Il affiche un total impressionnant de 124 milliards de paramètres, dont 5,1 milliards sont activés de manière dynamique pour chaque jeton (token). Cette configuration permet d'allier la puissance de traitement d'un très grand modèle à l'efficacité computationnelle d'un modèle plus compact.

En matière de modalités, il s'agit strictement d'un modèle de génération de texte. Les spécifications de sa carte de modèle et la documentation de Vercel AI Gateway confirment qu'il ne dispose d'aucune capacité native de vision, d'audio, ni de génération ou d'édition d'images. L'entrée et la sortie s'effectuent uniquement par voie textuelle.

Une caractéristique notable de ce modèle est l'activation par défaut du mode de raisonnement (« thinking ») dans le checkpoint publié. De plus, il prend pleinement en charge l'appel de fonctions et d'outils (function/tool calling), ce qui s'avère indispensable pour concevoir des chaînes agentiques capables de coupler recherche documentaire, calculs mathématiques et manipulation de données. Toutefois, il convient de noter qu'OpenRouter indique que le paramètre response_format n'est pas pris en charge, ce qui signifie que la production de réponses sous un format JSON strict ne peut pas être formellement garantie par l'API.

Gestion du contexte et limites de complétion

La fenêtre de contexte globale de ce modèle s'élève à 256 K jetons, soit précisément 262 144 jetons dans les catalogues d'API. Pour la route gratuite disponible sur OpenRouter (inclusionai/ling-3.0-flash-fin:free), le plafond standard est fixé à 32 768 jetons de complétion.

Cependant, la gestion réelle de cette fenêtre dépend fortement du fournisseur d'infrastructure (provider) sélectionné derrière l'API OpenRouter. Par exemple, Vercel répertorie une limite de 32 K jetons chez le fournisseur Novita AI, tandis que chez DeepInfra, la limite s'étend jusqu'à 262 K jetons, le prompt et la réponse partageant cette même enveloppe globale de 256 K. Il est également crucial de garder à l'esprit que les jetons générés lors de la phase de raisonnement interne (« thinking ») sont comptabilisés dans la limite de sortie globale du modèle.

Cas d'usage financiers et applications concrètes

La carte de modèle d'InclusionAI met en avant des capacités de recherche financière de bout en bout. Ce modèle est particulièrement adapté pour : - La recherche de sources et le contrôle rigoureux des preuves au sein de documents denses. - L'exécution de calculs financiers complexes et la valorisation d'actifs. - La préparation de rapports de synthèse et la génération de feuilles de calcul modifiables. - La réconciliation de données contradictoires (telles que des définitions, des périodes ou des hypothèses divergentes) issues de rapports annuels, de communiqués de résultats, de dépôts réglementaires et de documents de recherche. - Le suivi et la mise à jour des données « réalisé contre estimation », la gestion des dépendances complexes entre différentes feuilles de calcul, ainsi que les analyses de scénarios et les contrôles de cohérence des bilans.

Malgré cette forte spécialisation sectorielle, le modèle conserve de solides aptitudes généralistes, notamment en programmation, en mathématiques et en raisonnement logique global.

Positionnement concurrentiel et limites

InclusionAI positionne ce modèle comme un concurrent de taille face à des modèles de gabarit équivalent ou même face à des modèles généralistes nettement plus volumineux, en particulier sur les tâches financières nécessitant l'usage intensif d'outils et de sélection de sources. Les évaluations internes se sont basées sur plusieurs benchmarks spécialisés : FinFIRST, FinSearchComp Verified, FinCRAFT, Finance Agent, APEX-Agents, SpreadsheetBench et τ³-Banking. Néanmoins, il convient de prendre ces affirmations avec la prudence requise, la carte de modèle ne fournissant pas de tableau chiffré complet, de détails sur la configuration des concurrents ou de validations indépendantes facilement réutilisables. De manière générale, OpenRouter affiche un score de 19,7 % sur le benchmark GPQA Diamond pour l'endpoint DeepInfra, un test axé sur le raisonnement scientifique généraliste qui ne reflète pas spécifiquement les prouesses financières du modèle.

Enfin, InclusionAI rappelle expressément une limite d'usage fondamentale : ce modèle ne fournit pas de conseils en investissement. Toutes les hypothèses, valorisations et conclusions générées doivent impérativement faire l'objet d'une validation et d'une revue professionnelle rigoureuse. Les flux de travail complexes de longue durée demeurent sujets à caution et nécessitent une supervision humaine constante.

Une fois activé, la tarification standard sur OpenRouter s'établira comme suit : - Coût d'entrée : 0,06 $ par million de jetons. - Coût de sortie : 0,18 $ par million de jetons. - Lecture du cache (spécifique à DeepInfra) : 0,012 $ par million de jetons.

Une alternative entièrement gratuite, soumise à des limites de débit, est également disponible sous l'identifiant inclusionai/ling-3.0-flash-fin:free.