---
format: "aidr-story-markdown/v1"
id: "4ceef963381f0657a12af5b9c9918e6fc99a48bb689f7efda16714e1410546b8"
canonical_url: "https://aidr.today/4ceef963?lang=vi"
title: "AntLingAGI ra mắt mô hình open-weight reasoning model Ling-3.1-flash 560B"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-10-14T15:54:15.000Z"
category: "Open Source"
topics: ["open-source"]
source_urls: ["https://huggingnews.com/ai/antlingagi-open-sources-560b-parameter-ling-31-flash-model-4ec5cc4e","https://marketbrief.now/ai/antlingagi-open-sources-560b-parameter-ling-31-flash-model-4ec5cc4e"]
summary: "Các nhà phát triển có thể tạo giao diện người dùng tương tác (UIs) và trang web từ những mô tả sơ bộ bằng một mô hình open-weight reasoning model mới. AntLingAGI đã phát hành Ling-3.1-flash, một mô hình mixture-of-experts với 560B tham số, 25B tham số hoạt động cho mỗi token và cửa sổ ngữ cảnh (context window) 1M token, nhằm hỗ trợ nhiệm vụ lập trình, văn phòng và agent. Hiệu suất của mô hình đã được benchmark trên GDPVal-AA, FrontierSWE và Terminal-Bench 4.0. Mô hình hỗ trợ ngay từ cả hai khung inference vLLM và SGLang để triển khai trên hạ tầng riêng. Nhờ áp dụng MXFP4 và block-FP8 quantization, SGLang đã nén trọng số mô hình từ 534GB xuống 292GB, giúp hệ thống vừa đủ chạy trên 4 GPU Hopper."
---

# AntLingAGI ra mắt mô hình open\-weight reasoning model Ling\-3\.1\-flash 560B

> [Open the canonical story](<https://aidr.today/4ceef963?lang=vi>)

**Published:** 2026-10-14T15:54:15.000Z
**Category:** Open Source
**Topics:** open\-source

## Summary

Các nhà phát triển có thể tạo giao diện người dùng tương tác \(UIs\) và trang web từ những mô tả sơ bộ bằng một mô hình open\-weight reasoning model mới\. AntLingAGI đã phát hành Ling\-3\.1\-flash, một mô hình mixture\-of\-experts với 560B tham số, 25B tham số hoạt động cho mỗi token và cửa sổ ngữ cảnh \(context window\) 1M token, nhằm hỗ trợ nhiệm vụ lập trình, văn phòng và agent\. Hiệu suất của mô hình đã được benchmark trên GDPVal\-AA, FrontierSWE và Terminal\-Bench 4\.0\. Mô hình hỗ trợ ngay từ cả hai khung inference vLLM và SGLang để triển khai trên hạ tầng riêng\. Nhờ áp dụng MXFP4 và block\-FP8 quantization, SGLang đã nén trọng số mô hình từ 534GB xuống 292GB, giúp hệ thống vừa đủ chạy trên 4 GPU Hopper\.

## Sources

- [Story source](<https://huggingnews.com/ai/antlingagi-open-sources-560b-parameter-ling-31-flash-model-4ec5cc4e>)
- [Story source](<https://marketbrief.now/ai/antlingagi-open-sources-560b-parameter-ling-31-flash-model-4ec5cc4e>)