inclusionAI: Ling-2.6-flash
inclusionAI: Ling-2.6-flash est un LLM d’InclusionAI sorti le 21 avril 2026, avec 7 milliards de paramètres actifs et une très grande fenêtre de contexte de 262 144 tokens. Son positionnement combine modèle compact, contexte long et coût d’usage très bas.
inclusionAI: Ling-2.6-flash est un LLM d’InclusionAI sorti le 21 avril 2026, avec 7 milliards de paramètres actifs et une très grande fenêtre de contexte de 262 144 tokens. Son positionnement combine modèle compact, contexte long et coût d’usage très bas.
Le modèle se distingue surtout par son tarif, 99% inférieur à la moyenne des LLM similaires et environ 483.3 fois moins cher que les modèles frontière déjà cités dans la section Tarifs. Les données disponibles reposent sur 3 sources concordantes.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | InclusionAI |
| Date de sortie | 21 avril 2026 |
| Multimodal | non |
| Paramètres actifs | 7 milliards |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 19.3 | 103ᵉ / 136 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 52,5 % | 226ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 50,0 % | 215ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 46,0 % | 250ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 44,0 % | 227ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 38,0 % | 202ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 37,0 % | 192ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 37,0 % | 219ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 12,0 % | 220ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| NovitaAI | 0,01 $ | 0,03 $ | 0,002 $ |
| artificialanalysis | 0,1 $ | 0,3 $ | 0,02 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 99 % en dessous de la moyenne des LLM similaires, et 483,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0 $ |
| Latence moyenne par benchmark — Benchable | 4 min 57 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Le principal atout de inclusionAI: Ling-2.6-flash est économique : son prix plancher, à 0,01 $ par million de tokens en entrée et 0,03 $ en sortie, le place dans une catégorie très bon marché pour un LLM. Sa fenêtre de contexte de 262 144 tokens est un autre point fort concret, car elle autorise le traitement de volumes d’entrée importants par rapport à de nombreux modèles plus restreints. Côté évaluations, son meilleur signal relatif apparaît en General Knowledge (Baseline), même si le niveau reste éloigné du haut des classements.
Limites et points d'attention. Les résultats Benchable indiquent un modèle globalement faible dans les classements disponibles : l’Intelligence Index le situe en bas de tableau, et les scores en Reasoning, Mathematics, Ethics et Email Classification restent particulièrement modestes. Le benchmark Hallucinations (Baseline) ne permet pas non plus de le présenter comme un modèle fiable sans contrôle. inclusionAI: Ling-2.6-flash convient surtout à des traitements à très bas coût, à fort volume de tokens ou à des prototypes non critiques, lorsque le prix et le contexte long comptent davantage que la précision de raisonnement ou la robustesse factuelle.
Sources des données : OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Benchable.ai (benchable.ai).