智東西（公眾號：zhidxcom）
作者? | 程茜
編輯 | 李水青
智東西2月13日消息，今天，螞蟻集團開源全球首個基于混合線性架構(gòu)的萬億參數(shù)思考模型Ring-2.5-1T。
根據(jù)官方信息，相比螞蟻2025年10月發(fā)布的萬億級思考模型Ring-1T，Ring-2.5-1T在生成效率、推理深度和長時程任務(wù)執(zhí)行能力三個關(guān)鍵維度上實現(xiàn)提升，且在長文本生成、數(shù)學推理與智能體任務(wù)執(zhí)行上達到開源領(lǐng)先水平。
在生成效率上，Ring-2.5-1T在32K以上長文本生成場景中，對比上代模型訪存規(guī)模降低至1/10，生成吞吐提升3倍以上。
在深度思考能力方面，該模型在國際數(shù)學奧林匹克競賽（IMO 2025）和中國數(shù)學奧林匹克（CMO 2025）自測均達到金牌水平，IMO為35分、CMO為105分。
目前，該模型已經(jīng)適配Claude Code等智能體框架與OpenClaw個人AI助理，支持多步規(guī)劃與工具調(diào)用。
Ring-2.5-1T的模型權(quán)重與推理代碼已在Hugging Face、ModelScope等主流開源平臺發(fā)布，官方平臺Chat體驗頁和API服務(wù)將在近期上線。
Hugging Face：https://huggingface.co/inclusionAI/Ring-2.5-1T
ModelScape：https://modelscope.cn/organization/inclusionAI
一、拿下多項開源SOTA，達IMO金牌水平
為了評估Ring-2.5-1T的深度思考與長時任務(wù)執(zhí)行能力，螞蟻研究人員選擇了具有代表性的開源思考模型DeepSeek-v3.2-Thinking、Kimi-K2.5-Thinking和閉源API GPT-5.2-thinking-high、Gemini-3.0-Pro-preview-thinking-high、Claude-Opus-4.5-Extended-Thinking作為比較。
螞蟻集團公布的多項權(quán)威基準測試結(jié)果顯示，Ring-2.5-1T在數(shù)學、編程和邏輯推理的IMOAnswerBench、AIME 26、HMMT 25、LiveCodeBench、ARC-AGI-V2等高難度推理任務(wù)以及Agent搜索、工具調(diào)用和軟件工程Gaia2-search、Tau2-bench和SWE-Bench Verified等長時任務(wù)執(zhí)行方面均實現(xiàn)了最先進的開源性能。
此外，螞蟻還對深度思考（Heavy Thinking）模式下的模型性能進行了額外測試，Ring-2.5-1T在IMOAnswerBench、HMMT-25等數(shù)學競賽推理基準和LiveCodeBench-v6代碼生成基準中超越所有對比模型。
其中，在IMO 2025（滿分42分）中，Ring-2.5-1T獲得35分，達到金牌水平；在CMO 2025（滿分126分）中，該模型獲得105分，超過金牌分數(shù)線78分和國家隊集訓隊選拔線87分。
研究人員比較了Ring-2.5-1T和Ring-1T的答案發(fā)現(xiàn)，前者在推理邏輯的嚴謹性、高級數(shù)學證明技術(shù)的應(yīng)用以及答案表述的完整性方面均有提升。
在智能體搜索任務(wù)Gaia2-search中，Ring-2.5-1T在開源模型中取得了SOTA性能。Gaia2環(huán)境強調(diào)跨應(yīng)用工具協(xié)作和復(fù)雜任務(wù)執(zhí)行能力，Ring-2.5-1T在規(guī)劃生成和多步工具調(diào)用方面均展現(xiàn)出較高的效率和準確性。
二、三大關(guān)鍵維度提升，能快速適配Claude Code、OpenClaw
相比螞蟻2025年10月發(fā)布的萬億級思考模型Ring-1T，Ring-2.5-1T在生成效率、推理深度和長時程任務(wù)執(zhí)行能力三個關(guān)鍵維度上有顯著改進。
首先在生成效率方面，通過采用高比例線性注意力機制，Ring-2.5-1T將內(nèi)存訪問開銷降低至1/10，并將超過32K token序列的生成吞吐量提高了3倍以上，適用于深度思考和長時程任務(wù)執(zhí)行。
其次在深度思考層面，該模型在RLVR（基于可驗證獎勵的強化學習）基礎(chǔ)上引入密集獎勵機制，為推理過程提供嚴格性反饋，使Ring-2.5-1T同時達到IMO 2025和CMO 2025（自測）的金獎水平。
最后是長程任務(wù)執(zhí)行，Ring-2.5-1T通過大規(guī)模完全異步智能體RL（強化學習）訓練，增強了解決復(fù)雜任務(wù)的長時程自主執(zhí)行能力，使其能快速適配Claude Code等智能體編程框架和OpenClaw個人AI助手。
三、引入混合線性注意力架構(gòu)，可提升長程推理場景吞吐量
Ring-2.5-1T基于Ling 2.5架構(gòu)，通過優(yōu)化注意力機制，可提升長文本推理的效率與穩(wěn)定性。
作為實現(xiàn)自主模型架構(gòu)的關(guān)鍵進展，Ling 2.5架構(gòu)在Ling 2.0架構(gòu)的基礎(chǔ)上引入了一種混合線性注意力架構(gòu)。通過增量訓練，研究人員將Ling 2.0架構(gòu)中的GQA（分組查詢注意力）升級為MLA（多頭線性注意力）+Lightning Linear結(jié)構(gòu)的1:7比例。
具體來說，基于其先前發(fā)布的Ring-flash-linear-2.0技術(shù)路線圖，研究人員將部分GQA層轉(zhuǎn)換為Lightning Linear注意力，以提升長時程推理場景中的吞吐量。
同時為了進一步壓縮KV緩存，研究人員將剩余的GQA層近似轉(zhuǎn)換為MLA，同時針對QK Norm（查詢-核歸一化）和Partial RoPE（部分旋轉(zhuǎn)位置編碼）等特征進行針對性改進，從而增強Ling 2.5架構(gòu)的表達能力。
在此基礎(chǔ)上，模型激活參數(shù)規(guī)模從前代的51B提升至63B，并且在混合線性注意力架構(gòu)的支持下，其推理效率相比Ling 2.0仍實現(xiàn)大幅提升。
與僅具備32B激活參數(shù)的Kimi K2架構(gòu)相比，在1T總參數(shù)量下，Ling 2.5架構(gòu)在長序列推理任務(wù)中的吞吐表現(xiàn)優(yōu)勢顯著，且隨著生成長度增加，效率優(yōu)勢持續(xù)擴大。
▲在一臺配備8塊H20-3e GPU的機器上，批處理大小=64，比較不同生成長度下的解碼吞吐量
▲在一臺配備8塊H200 GPU的機器上，批處理大小=64，比較不同生成長度下的解碼吞吐量
結(jié)語：從短對話到復(fù)雜規(guī)劃，大模型需突破長文本瓶頸
隨著AI大模型應(yīng)用從短對話向長文檔處理、跨文件代碼理解、復(fù)雜任務(wù)規(guī)劃等場景擴展，Ring-2.5-1T可以緩解模型在長輸出場景下計算開銷高、推理速度慢的問題。
此前，傳統(tǒng)架構(gòu)在面對超長文本、多模態(tài)內(nèi)容、復(fù)雜業(yè)務(wù)流程時，普遍面臨算力成本高、響應(yīng)延遲大、部署難度高等問題，螞蟻百靈團隊此次通過底層架構(gòu)創(chuàng)新，或為行業(yè)提供一條兼顧性能、成本與擴展性的技術(shù)路徑。
