量子位
·
蚂蚁百灵 Ring-2.6-1T 开源 Agent 执行能力全面增强
内容提要
蚂蚁百灵于5月15日开源思考模型Ring-2.6-1T，该模型支持可调推理强度，适用于多种任务，特别是在高频工作流和高难任务中表现优异。它采用异步强化学习架构，解决了训练不稳定的问题。百灵强调模型在真实生产环境中的应用，近期发布的Ling-2.6-flash在市场上反响良好。
关键要点
-
蚂蚁百灵于5月15日开源思考模型Ring-2.6-1T，权重文件已上线Hugging Face和ModelScope平台。
-
Ring-2.6-1T引入可调节的Reasoning Effort机制，支持high与xhigh两种推理强度，适应不同任务需求。
-
high模式适合高频Agent工作流，提升效率；xhigh模式则针对高难任务如数学竞赛和科研分析。
-
Ring-2.6-1T采用异步强化学习训练架构，解决了传统同步训练中的资源等待和吞吐不足问题。
-
百灵强调模型在真实生产环境中的应用，近期发布的Ling-2.6-flash在市场上反响良好，日均tokens调用量达到100B级别。
延伸解读
可调推理强度的实用性
Ring-2.6-1T引入的可调Reasoning Effort机制，使得开发者可以根据具体任务需求灵活选择推理强度。这种设计不仅提升了高频工作流的效率，也为复杂任务提供了更强的支持，体现了模型在实际应用中的灵活性和适应性。
异步强化学习的优势
该模型采用的异步强化学习架构有效解决了传统训练中的资源等待和吞吐不足问题。这种解耦的训练方式不仅提高了训练效率，还支持更长周期的持续训练，为模型的稳定性和性能提升提供了保障。
市场反馈与应用前景
百灵的Ling-2.6-flash在市场上获得了积极反馈，日均tokens调用量达到100B级别，显示出其在真实生产环境中的应用潜力。随着模型的不断迭代，百灵强调的Token Efficiency可能会成为未来AI模型发展的重要趋势。
延伸问答
Ring-2.6-1T模型的主要特点是什么？
Ring-2.6-1T模型引入了可调节的Reasoning Effort机制，支持high与xhigh两种推理强度，适应不同任务需求。
Ring-2.6-1T在高频工作流中的表现如何？
在high模式下，Ring-2.6-1T适合高频Agent工作流，能够显著提升效率。
Ring-2.6-1T采用了什么样的训练架构？
Ring-2.6-1T采用异步强化学习训练架构，解决了传统同步训练中的资源等待和吞吐不足问题。
Ring-2.6-1T的xhigh模式适合哪些任务？
xhigh模式适合高难任务，如数学竞赛和科研分析，能够释放模型的能力上限。
百灵在模型开发中强调了什么？
百灵强调模型在真实生产环境中的应用，注重Token效率，力求用更少的token完成高质量任务输出。
Ling-2.6-flash的市场反响如何？
Ling-2.6-flash在市场上反响良好，日均tokens调用量达到100B级别，连续多日位列Trending榜首。
