Ant Group libera pesos do Ling-3.1-flash, modelo MoE de 560 bilhões de parâmetros

A Ant Group, braço de tecnologia financeira do grupo Alibaba, liberou os pesos do Ling-3.1-flash, modelo de linguagem↳LLMs48 conteúdosConsiderações básicas de hardware para modelos de linguagem em código aberto: Memória, Desempenho e ViabilidadeMarketing Tech · out 2025Modelos de linguagem sob ataque: o lado obscuro da IA generativaDevSecOps · mai 2025Criando um LLM – modelo de linguagem de grande escala – do zero com TransformersAI · abr 2024Ver tudo em AI → com cerca de 560 bilhões de parâmetros totais. O anúncio foi publicado pelo site TechNode em 16 de outubro de 2026, com base em comunicado da própria Ant Group. Diferente de um lançamento fechado via API, liberar os pesos significa que qualquer desenvolvedor pode baixar o modelo e rodá-lo na própria infraestrutura, sem depender de um provedor externo nem pagar por chamada de API.

O modelo já havia sido apresentado anteriormente pela empresa; o que mudou agora foi a abertura dos pesos para deploy por terceiros. Isso o coloca ao lado de outros grandes modelos abertos chineses, como os da família DeepSeek e Qwen, num movimento que vem reduzindo a distância entre o que fica disponível apenas via API comercial e o que qualquer equipe pode auto-hospedar.

Arquitetura: 560 bilhões de parâmetros, mas só 25 bilhões ativos

O Ling-3.1-flash usa arquitetura de mistura de especialistas (mixture-of-experts, ou MoE): dos 560 bilhões de parâmetros totais, apenas cerca de 25 bilhões são ativados por token processado. Na prática, isso significa que o modelo tem a capacidade de um modelo gigante, mas o custo computacional de inferência se aproxima do de um modelo bem menor, porque só uma fração dos parâmetros participa de cada cálculo.

Essa é a mesma lógica por trás de modelos como o Mixtral, da Mistral AI, ou o DeepSeek-V3: evitar que o custo de rodar o modelo escale linearmente com o tamanho total. Para quem avalia infraestrutura, é a diferença entre precisar de memória para guardar 560 bilhões de parâmetros, mas computar como se fossem só 25 bilhões por requisição.

Contexto de até 1 milhão de tokens

O modelo suporta janela de contexto de até um milhão de tokens. Isso coloca o Ling-3.1-flash na faixa de contexto ultralongo, equivalente à de modelos como o Gemini 1.5 Pro do Google, e abre espaço para tarefas que exigem processar documentos inteiros, bases de código completas ou históricos longos de conversa sem precisar dividir o conteúdo em pedaços menores (chunking).

Segundo a Ant Group, o modelo foi direcionado especificamente para três tipos de carga: geração de código, fluxos de trabalho com agentes e tarefas profissionais que envolvem documentos longos e interação com ferramentas externas (tool use). Esse recorte é relevante porque contexto longo só tem valor prático se o modelo também for bom em manter coerência e seguir instruções ao longo de toda a janela, não apenas em aceitar a entrada sem erro.

De 8 GPUs para 4: a engenharia por trás do deploy

A parte mais concreta do anúncio, do ponto de vista de quem precisa colocar o modelo no ar, é a técnica de deploy em precisão mista desenvolvida pela equipe da Ant Group. Ela reduz o requisito de memória dos pesos do modelo de aproximadamente 534GB para 292GB.

Na configuração de referência reportada pela empresa, usando GPUs da arquitetura Hopper (a mesma família do H100, da NVIDIA), essa redução de memória tirou o requisito de deploy de oito GPUs para quatro. Isso corta pela metade o investimento em hardware (ou o custo de aluguel de instância em nuvem) necessário para colocar o modelo em produção, sem trocar de modelo nem abrir mão da capacidade total de 560 bilhões de parâmetros.

O modelo já sai com suporte a deploy via dois frameworks de inferência amplamente usados: SGLang e vLLM. Ambos tratam especificamente de servir modelos de linguagem grandes com eficiência de memória e throughput, o que facilita a adoção por equipes que já usam esse tipo de stack para outros modelos abertos. Em termos práticos, isso significa que subir o Ling-3.1-flash não exige escrever um servidor de inferência do zero: basta apontar os pesos baixados para um desses frameworks já configurado.

O que muda para quem desenvolve no Brasil

Para equipes brasileiras, o principal apelo de um modelo como esse não é só o tamanho, é a opção de rodar localmente ou em infraestrutura própria (cloud ou on-premise), evitando o custo recorrente de API e as limitações de uso que vêm com provedores fechados. Isso importa especialmente para empresas que lidam com dados sensíveis e precisam manter o processamento dentro do próprio perímetro, por exigência de compliance ou de contrato.

A redução de 8 para 4 GPUs Hopper também muda a conta de quem está decidindo entre contratar uma instância de nuvem maior ou investir em hardware próprio. Quatro GPUs da classe H100 ainda representam um investimento considerável, mas é metade do que seria necessário antes, o que coloca modelos dessa escala ao alcance de empresas de médio porte e não só de big techs.

Vale notar que a fonte não detalha a licença sob a qual os pesos foram liberados, nem traz benchmarks comparando o Ling-3.1-flash com outros modelos abertos de peso similar, como DeepSeek-V3 ou Qwen2.5. Antes de colocar o modelo em produção, times devem checar os termos de uso publicados pela Ant Group e rodar os próprios testes de qualidade para as tarefas específicas do seu caso de uso, já que o material disponível até agora foca na arquitetura e no custo de deploy, não em comparativos de desempenho.

O que ainda fica em aberto

Dois pontos permanecem sem resposta pública até o momento: os termos exatos de licenciamento dos pesos e dados de benchmark que permitam comparar o Ling-3.1-flash a concorrentes diretos em tarefas de código e uso de agentes. Para quem avalia adotar o modelo, o caminho recomendado é testar numa carga de trabalho representativa antes de decidir entre ele e alternativas já mais estabelecidas no mercado de modelos abertos.

Fonte: TechNode (China)