6 月 13 日，inclusionAI（蚂蚁集团旗下开源 AI 研究团队）发布 Ling/Ring 2.6 技术报告。其中，Ling-2.6-1T 和 Ring-2.6-1T 是两个万亿参数 MoE 模型，分别面向即时响应和深度推理，权重均以 MIT 许可证开放。
这份报告介绍了两者共用的混合线性注意力架构，以及各自的后训练方法：Ling 压缩冗余推理和输出，Ring 则通过强化学习加强长程推理与工具使用。它们尝试在响应速度、计算成本和任务能力之间作出不同取舍。
共享基础模型，采用不同的后训练目标
Ling-2.6 和 Ring-2.6 的主要区别在于响应方式与后训练目标：
- Ling 系列：即时响应（instruct / non-thinking）模型，面向日常编码、工具调用、Agent 工作流，强调以较少的输出 Token 完成任务。
- Ring 系列：深度推理（reasoning / thinking）模型，在相同 MoE 基础上加强长链推理与 Agent 强化学习，面向数学竞赛、科学推理、复杂系统分析。
两者共享约 1 万亿参数的 MoE 架构，由 Ling-2.0 基础模型经过架构迁移和继续预训练而来。根据技术报告，每个 MoE 层有 256 个路由专家，每个 Token 选择其中 8 个，另有共享专家。团队在共同基础上采用不同后训练方法，分别优化即时响应和深度推理。
Ling-2.6-1T 减少输出冗余，提升 Token 效率
Ling-2.6-1T 的主要目标是在保持任务表现的同时，减少不必要的推理和输出。
根据模型卡和技术报告，Ling-2.6-1T 在 Artificial Analysis Intelligence Index 评测中取得 34 分，使用约 1600 万输出 Token。报告将其 Token 效率描述为前代 Ling-2.0-1T 的约四倍。OpenRouter 将「快思考」概括为降低成本，但实际调用费用还取决于服务定价和工作负载，不能直接由 Token 效率推算。
效率改进来自架构和后训练两方面。其一是混合注意力架构：将 MLA（Multi-head Latent Attention）与 Lightning Attention 结合，降低长上下文计算与缓存开销。其二是模型卡所称的上下文过程冗余抑制（Contextual Process Redundancy Suppression）：在后训练中减少冗长思维链和重复反思，压缩输出 Token，同时保留解题需要的推理。
技术报告主要将 Ling-2.6-1T 与非推理或即时响应配置比较。它在 AIME26、BFCL-V4、TAU2-Bench 和 IFBench 等项目上领先表中对照模型，覆盖数学、函数调用、Agent 执行和指令遵循；SWE-bench Verified 则有较强表现，但并非表中最高分。报告表 5 给出的 GPQA Diamond 成绩为 76.17%，τ²-bench 综合分为 78.36%。
在应用方面，OpenRouter 当时展示的 Kilo Code、OpenClaw 和 Hermes Agent 用量分别为 17 亿、8 亿和 3.27 亿 Token。这些数字反映特定统计窗口内经该平台产生的用量。官方模型卡还列出 Claude Code、OpenCode、CodeBuddy 等兼容框架。接入和用量说明模型已被尝试用于实际工作，效果仍取决于具体任务。
Ring-2.6-1T 提供两档推理强度
Ring-2.6-1T 面向更长的推理过程，并允许开发者根据任务复杂度选择推理强度。
Ring-2.6-1T 引入了 Reasoning Effort 机制，提供两档可调推理强度：
- high：面向高频 Agent 工作流，包括多轮交互、工具协作和任务分解，优先减少不必要的推理 Token 开销。
- xhigh：面向数学竞赛、科研分析、复杂逻辑推理等高难度任务，给予模型更充分的推理空间。
技术报告表 6 中，Ring-2.6-1T 在 xhigh 模式下的 AIME 2026 成绩为 95.78（Avg@64），GPQA Diamond 为 85.89（Avg@16），ARC-AGI-2 为 66.18（Pass@2）。后者高于表中若干开源权重模型，仍低于 Gemini 3.1 Pro 和 Claude Opus 4.7。在 Agent 执行评测中，high 模式的 PinchBench 成绩为 87.60（Avg@3），高于表中的 GPT-5.4 和 Gemini 3.1 Pro；τ²-Bench Telecom 为 96.71。
这些是 inclusionAI 技术报告中的评测结果。比较时需要同时看推理强度、采样次数和 Agent 运行框架；不同任务上的优势，也未必能直接延伸到同一种生产工作流。
异步训练与 KPop 改善强化学习稳定性
训练万亿参数推理模型时，强化学习的效率与稳定性都是难点。同步训练通常要等待一批采样任务结束；长思维链和工具调用耗时不一，较慢的任务会让其他 GPU 等待。训练与推理实现之间的差异，也可能干扰参数更新。
Ring-2.6-1T 在异步 RL 系统中，让采样请求持续进入推理引擎，并按每步 Token 预算组织更新。到达预算时，尚未完成的轨迹可以暂存并在后续版本继续，同时限制策略版本之间的差距。针对训练与推理概率不一致的问题，团队从 Ring-1T 的 IcePop 算法继续改进，提出 KPop：用二元 KL 散度约束取代统一的概率比阈值，更细致地区分不同 Token 上的偏差。两部分共同支持编程、搜索、工具使用和工作流执行中的强化学习。
技术报告还透露了 Ling-2.6 在 token 效率方面的多项方法：演化式思维链（Evolutionary Chain-of-Thought）、语言单元策略优化（Linguistic Unit Policy Optimization）、双向偏好对齐，以及最短正确响应蒸馏。这些方法共同作用于一个目标：在保留正确性和必要信息的同时，减少重复与冗余输出。
官方提供多卡部署示例与托管访问
两个模型均可在 Hugging Face 和 ModelScope 获取。Ling 模型卡提供 SGLang 和 vLLM 部署示例，Ring 则给出团队适配版 SGLang 的多节点运行方法。
Ling-2.6-1T 的官方示例采用 8 张 GPU 做张量并行推理，并支持 MTP（Multi-Token Prediction）推测解码来提升吞吐。8 卡是并行配置示例，实际能否装载模型还取决于单卡显存、权重精度和上下文长度；使用 MTP 也需要匹配模型卡指定的实现版本。
Ring-2.6-1T 的参考配置使用 4 节点共 32 张 GPU（TP 8 × PP 4），万亿参数按 FP8 存储，单是权重就约为 1TB 量级，另需运行时内存。这显然超出单张消费级显卡的容量。inclusionAI 还提供早期的 Ring-flash-2.0（100B 总参数、约 6.1B 激活）和 Ring-mini-2.0（16B 总参数、约 1.4B 激活）；较小模型更便于本地尝试，是否能在单卡上运行仍取决于量化方式和显存。
API 方面，Ling 模型卡列出了 OpenRouter 和 ZenMux 托管入口，并提供 OpenRouter 免费端点（inclusionai/ling-2.6-1t:free）用于试用。免费调用的可用性和限额由服务商决定。Ring-2.6-1T 也可通过 ling.tbox.cn 在线体验。
开放权重之后，还需要在实际任务中比较
Ling-2.6-1T 和 Ring-2.6-1T 为万亿参数开放权重模型增加了两种取向。随着 DeepSeek V4、Kimi K2.6 和 Ling/Ring 系列持续迭代，开发者可以比较的不再只有参数规模，还包括推理强度、工具执行表现、输出长度和部署成本。
MIT 许可证允许商业使用、修改和分发，同时要求保留相应的版权与许可声明。对希望自行部署或微调模型的团队，这提供了明确的使用条件；许可开放与部署成本，则是两件需要分别评估的事。
从 Ling-1T、Ring-1T 到 2.5、2.6，inclusionAI 已形成连续迭代的模型系列。对开发者而言，接下来的判断仍要落到自己的任务上：在一致的预算和工具设置下，比较完成率、延迟、Token 消耗以及出错后的恢复能力，才能确定两种模型各自适合放在哪类工作中。
