《机器之心》原作者：吴其实可以平衡推理的规模、速度和准确度，完全是多余的。仅9月份，就有超过10家来自全球的主要玩家齐聚一堂，大规模开发开源模型，其中包括BAT、蚂蚁集团、Deep Search、Meta FAIR、Mistral AI等。开源模型的数量相比8月份增加了一倍多，现在停滞不前。其中，中国的实力尤其引人注目。蚂蚁集团已经 过去一个月几乎凭借“开源风暴”垄断了市场。公司百灵大车型密集推出七款新品，平均每四天推出一款新品，并在性能、效率和功能上持续进步。 9月30日，开源思维模型Ring-1T Preview（Ring-1T的早期版本）首次将开源推理模型的“上限”提升至万亿参数级别。我。深度学习“三巨头”之一的Yann LeCun也称赞其“令人惊叹”。这种可能性还在继续增加。 10月9日凌晨，百灵大模型再次发力，正式发布并开源其大规模通用语言模型Ling-1T。 Ling-1T是Ant迄今为止开放的最大参数缩放语言模型。至此，继月之暗面的Kim K2和Ali Qwen3-Max之后，又一位重量级选手进入了Trillion Parameter LLM“开源俱乐部”。开源地址：https://huggingface.co/inclusionAI/Ling-1T Experonline科普：ling.tbox.cn 跳舞的大象：数万亿个参数。蚂蚁开发了高效的MoE（Mixture o），你可以很容易推理出Ling 2.0系列，这是一个继承Ling-1T（Ling Experts）架构的大型自助Ling模型，也是该系列的第一个主要产品。1T（万亿，万亿）的总参数规模给人直观的感觉是“开源模型的“体量大战”仍在加速更新。听到“万亿参数”，很多人的第一反应是“积累材料赚”或者“成本太高”。模型越大，推论越详细。计算速度快、成本低，但不够精确。“准确度”和“效率”总是像玩跷跷板，一个往回走，一个往回走。Ling-1T重写了这个 通过帕累托改进的刻板印象。在不牺牲推理能力的情况下，显着提高思维效率，持续逼近几乎不可逆转的平衡点（帕累托乐观主义）。那么Ling-1T的“高品质制作”到底有什么过人之处呢？官方成绩单显示在多维度基准测试中表现良好。 Ling-1T（最右一栏）与几款代表性旗舰机型的比较，其中包括开源机型 大量参数（DeepSeek-V3.1-Terminus、Kimi-K2-Instruct-0905）和闭源 API（GPT-5-main、Gemini-2.5-Pro）。最引人注目的是两个核心方面的表现：编程和数学推理（coding math）。这些被称为高推理密度的任务是大型模型能力的上限，而 Ling-1T 仍稳居第一梯队。例如，在LiveCodeBench（现实世界中的编程推理任务）中，Ling-1T获得了最高分，并且明显优于DeepSeek。在ArtifactsBench（复杂软件逻辑建模）中，它获得了59.31的分数，仅次于Gemini-2.5-Pro。数学方面，综合测试使用Omni-Mat.h，UGMathBench突破74分大关，稳坐第一名。在金融推理方面，表现更加稳定，达到了87.45，展示了很强的跨领域逻辑连贯性和推理能力。知识方面同样不错。 Ling-1T位列第一或并列第一首先在几个主要数据集上排名第一：C-Eval (92.19)、MMLU-Redux (92.25)、MMLU-Pro (82.04)、MMLU-Pro-STEM (88.5) 和 OlympiadBench (91.3)。这些分数通常比 DeepSeek、Kimi 和 GPT-5 主干模型高出 1 到 3 个百分点，有些指标甚至接近 Gemini-2.5-Pro 的上限。这不仅体现了知识密度高、概括能力强，而且体现了深度思维和逻辑推理的内在一致性。在智能体推理和多轮推理场景中，Ling-1T 表现同样出色。特别是具有开放式思维特征的任务，如BFCL-v3和创意写作，展示了平衡自然语言表达和思维连贯性的能力，即不仅具有“回答问题”的能力，而且具有“理解思想”的能力。有趣的是，拥有高智商并不一定意味着要花钱。在AIME-25（2025年美国数学邀请赛）推理测试中，r研究人员比较了关键模型的性能：推理准确性和平均输出长度（即一个想法消耗的令牌数量）。蓝点代表 Ling-1T，准确度为 70.42%，与 Gemini-2.5-Pro（70.1%）并列最佳准确度，尽管后者使用更长的输出（更多令牌）。与Gemini-2.5-Pro相比，Ling-1T以更短的思维路径实现了相似或更好的推理精度。相比之下，GPT-5。终端DeepSeek-V3.1、Kimi-K2-Instruct-0905、Claude-4.1-Opus-250B等型号精度明显较低。要么结果较长，要么思维效率不高，一般落在右下或中间区域。在我自己尝试并写下这篇文章之后，很多人会想，“当然，这令人印象深刻，但这与普通大众有什么关系呢？”也许您从未调用过 API 或运行过模型。然而，这些型号的功能正在悄然进入您的日常生活。支付软件允许智能助手，更好地了解你的“吃穿用”。财务助手可以帮助你监控你的财务状况，诊断健康问题。当你身体不舒服时，健康助手知道如何提出初步建议，还可以帮助你对接医疗资源。它也让你平时使用的工具在写作、编程、设计等场景中变得更加智能。当我开始使用 Ling-1T 时，我最直观的注意到的是，Ling-1T 不一样 来自传统的推理模型。他不是一个爱说话的人，也不会表现出他所有的长篇思考过程。他的回答简短、直接、快速。首先，创建用户界面并设计用户卡。完成度非常高，重要的指令如字体样式（斜体）、头像形状、设计居中等都实现得近乎完美，一切都很好。我们对视觉需求也有精准的了解abstrac故事：“主色是石板蓝，次要色是白色。”提示：生成具有蓝紫色主题的现代用户卡组件（主色#6A5ACD，辅助色白色）。该卡必须包含： 1. 用户头像（圆形占位符）。 2. 用户名。 3. 句子签名（使用斜体）。 4. 蓝色关注按钮。 5.整个设计将居中。然后，让他们设计一个漂亮的倒计时网页。渐变的背景引人注目，出乎意料的漂亮，看起来非常优雅。得益于“语法-功能-美学”混合奖励机制，Ling-1T不仅理解了代码的逻辑，还开始学习美学。提示：设计一个漂亮的倒计时页面。之前的倒计时功能出错了，所以我又把卡拿出来了。下一篇在色彩上不如上一稿那么壮观，但它的“匠心”却隐藏在底层文案中，比如“时间水晶”和“量子纠缠倒计时”。还有倒计时功能完全正常。底线：为尖端科技媒体 Machine Heart 设计一个前卫的网站，其滚动顶部可播放实时 AI 新闻。这次，鼠标的轨迹创造了意想不到的惊喜，带有漂浮的粒子效果，既科幻又浪漫。除了编程设计之外，Ling-1T还可以利用其科学逻辑推理能力，成为大众的学习助手，解答问题、协助撰写报告。首先，我考了《2025年数学新课程纲要试卷一》第15题（问题答案），很轻松地就通过了。那么，复杂的事情能容易理解吗？今年，2025 年诺贝尔物理学奖授予了三位美国科学家，以表彰他们对量子隧道效应的实验验证。邀请李老师来谈谈ng-1T：什么是量子隧道效应？这样一来，我们就可以用“穿墙”的比喻来解释粒子“借用”势能的概念。以直观、精准的方式进行障碍，不误入歧途，有效降低理解门槛。逻辑也非常清晰。我们将首先比较经典世界和量子世界之间的差异，然后解释原理并通过示例进行演示，最后总结要点。 《星际穿越》中的“虫洞”科学也令人钦佩。无需复杂的公式，只需发挥想象力，用苹果、折纸、牙签的比喻，瞬间搭建出直观的几何模型，深度讲解“折叠宇宙的捷径”。表格、问题和答案以及摘要组织清晰、简洁。接下来，我们测试您的创意写作技巧。重要的不仅是能够写作，而且能够以有趣的方式写作。内容营销无论是文案写作、剧本写作，还是创意支持，这项技能都派上用场。这是 Ling-1T 写的第一行他关于诺贝尔物理学奖的播客。要求是它的灵感来自一首星际诗歌。结果令人惊讶：不仅准确再现了迪伦·托马斯的杰作，而且语言紧张，甚至背景音效也完美贴合主题。下面这篇800字的《诺贝尔物理学奖红薯文案》已经快要出版了。信息准确、结构清晰、有节奏且完全不含糊。最后我们来看看它的渲染能力.iment。任务很具体：“介绍一条武汉附近私人且特定的徒步路线。自驾时间不超过2小时，适合周末短途旅行。”在实践中，人们和公司常常需要模型来执行更复杂的任务，例如网络搜索、数据库查询、代码计算，甚至与内部系统的耦合。拥有“调用工具”的能力意味着Ling-1T是一个执行器，可以执行联合调动外部资源来完成任务，而不仅仅是“回答问题”。从业绩来看，经营业绩稳健。推荐的地方确实存在（我不是幻觉）而且有很多当地人没去过。这确实是一个“利基”。更有趣的是，第一个选项只需两个多小时的车程。模特不仅知道这一点，还解释了原因，说道：“时间是加时，但风景不多，值得破例。”这个矛盾的决定非常有趣。完整的结果不仅提供了地理信息和交通信息，还涵盖了季节建议和专业提示，非常实用。改进阿里帕累托：如何让万亿模型更强、更便宜？ “堆栈”不再是答案。 Ling-1T 再次广播相同的信号。 2025年大型车型的竞争正在转向效率范式以及如何实现高效基于“巨大”的效率革命。毕竟，如果你喜欢人工智能，让它像未加密支付一样无处不在，关键在于更快、更有利可图、更稳定的日常表现。于是，“大参数池+小参数激活”范式迅速成为突破口，万亿容量覆盖资金，百亿覆盖成本。超大型模型可以从实验室走向现实，而无需牺牲推理能力或面临计算能力和成本之间的长期权衡。 Ling-1T是这条航线的模型。它包含数万亿个参数，但每次调用只需要数百亿计算资源。处理复杂问题、保持响应速度并控制成本曲线。美丽的帕累托改进，这才是行业的正道。那么这种“快速思考”和“精确思考”之间的平衡从何而来呢？首先我们来说说两个重要的点：数据和架构。在另一方面，超过20T的令牌从丰富的高质量推理语料中“捕获的知识”的质量提高，让Ling-1T从数据层面提高了逻辑密度和思维深度。同时，我也学会了“按需思考”。每个 MoE 层有 256 名专家，但在推理过程中只有大约 500 亿个参数处于活动状态。每次收到问题，系统只选择八位最优秀的专家参与思考，共享专家对结果进行巩固。其结果是支持数万亿的智商、数百亿的功耗，并大幅提高能源效率。 Ling-1T模型结构示意图。 Ling-1T模型结构是一个具有万亿参数混合专家（MoE）架构的大型模型，旨在保证强大的推理能力，同时实现高效计算和低成本推理。这种“按需思考”的方法也导致了q实际使用中发生质的变化。支持 128 KB 上下文，带来近乎“长记忆”的体验：一次阅读书籍级别的内容，不会错过任何曲目。这对于拥有长文档的企业（例如法律、金融和科学研究）尤其重要。分组查询注意力位于高效的 MoE 之上，以提供深入的理解和敏捷的响应，并且推理速度不再受到长上下文的阻碍。帕累托改进 2：巨型动物如何更聪明地学习？除了数据和架构之外，Ling-1T 的另一项关键创新是将“智能学习”应用于工程和培训范式。即不是多喂，而是精喂，也不是“多喝”，而是练好。为了确保模型“吃”的每一口都是具有高推理密度的知识本质，蚂蚁建立了自己的基础设施来增加营养密度。首先，创建了 FP8 原生的混合精度训练平台为具有数万亿参数的模型提供高性能、低功耗的计算基础。然后，基于集成到数据湖中的广泛表格构建了人工智能数据系统，并实施了样本级谱系追踪，以确保每个令牌具有“来源可追溯和质量可控”。通过这个基础设施，蚂蚁从40多T的语料中提取了20多T的高密度推理数据，成为Ling-1T的核心“思维片”。在培养路线上，这套体系并不是一阶段的“强化训练”，而是三阶段的精英教育，先用10T高密度知识语料库打好通识教育基础，再用10T高密度推理语料库强化卡登逻辑。中型列车是中期的关键。除了将“内存”扩展到 32 KB 上下文之外，您还可以预注入性能。高级思想链（Evo-CoT）为训练后阶段的推理路径预热，让模型从“记忆”转向“思考”。训练节奏控制也得到了改进，使收敛更加稳定和更快。最佳参数设置（学习率、批量大小等）可以使用 Ling 缩放定律来确定。它是通过“感觉”自动计算出来的，不再依赖于“感觉”。内部开发的WSM调度器（预热-稳定-合并）取代了传统策略，结合多轮中期训练的结果来模拟自然收敛。最终，大规模模型在通用能力、常识、语言理解、经验、数学和代码等多个方面普遍优于旧模型。这六个子图代表了模型在不同类型任务上表现的变化，包括一般能力、常识推理、语言理解、经验、数学和编码能力。蚂蚁在训练调度器方面的关键进步，WSM（War与传统的 WSD（预热 – 稳定 – 衰减）相比，mup – 稳定 – 合并）几乎所有任务的性能都有显着提高。一旦我们进入后训练阶段（强化学习），关键是将反馈的粒度与人类语义相匹配。传统的GRPO（词元素级别）类似于逐像素修图，虽然精细但碎片化，很难进行通用语义的重构。 GSPO（序列级别）过于密集和稳定，但答案是模糊的。 Ant开发的LPO（语言单元策略优化）“赛道”以“句子”为优化单元，直接将奖励和约束与最小的完整人类语义单元对齐。它不仅避免了词元素级别的碎片化，而且克服了序列级别的歧义。这将训练目标从“正确的单词”更新为“正确的原因”，并允许模型使用com生成语言流。逻辑完整，思维一致。 Ling-1T还在高智能和鲁棒性之间找到了新的平衡。开源让“普惠AI”行业相信，AI竞赛中真正的区别不在于哪种模式更强，而是开源与闭源之战。越来越多的中国国家选择了第一种选择。另一方面，这是分阶段必要的。从追踪者的角度来看，开源就像“大家一起抬卡车”，让技术能够更迭代、更低成本地开发。对于像Ling-1T这样大规模、精心设计的模型系统，开源社区本身可以成为去中心化的“质量和安全红队”，可以显着降低边际改进成本并加速版本演进。另一方面，中国的优势不在于模式本身单一，而在于丰富的实施场景。特别是在金融等高度合规的行业和医疗保健方面，开源透明度使公司有机会真正“理解”他们的模型。这意味着您可以审核决策路径，融入独特的见解，并在可控的安全范围内锁定智能价值。如果我们能够复制信任，我们就能传播情报。更重要的是，开源降低了参与门槛。任何个人，从开发商到小企业，都可以进入市场并以最小的摩擦建立一个生态系统。在开源Ling-1T之前，Ant已经拥有高效的MoE架构和分层模型设计，将“亿级功能”分解为多种可实现的形式。您可以在手机上运行 Ling-mini，在小型企业服务器上部署 Ling-flash，或者在云端调用功能齐全的 Ling-1T。更进一步，Ant 不仅开源了模型本身，还从 ATorch 框架中暴露了使模型能够持续演进的“核心功能”到强化学习工具链，允许模型的开发像 DevOps 中那样“流水线化”。这些决定更像是普遍哲学的练习。有些人用它来管理资金，另一些人用它来复印。其他人正在将其纳入风险管理系统、零售网络、金融终端、诊断和治疗系统中。当这些功能被频繁需求时，人工智能将变得像电力和支付一样普遍，看不见却无处不在。 HuggingFace：https://huggingface.co/inclusionAI/Ling-1TModelScope：https://modelscope.cn/models/inclusionAI/Ling-1TGitHub：https://github.com/inclusionAI/Ling-V2Ling 聊天（国内用户）：https://ling.tbox.cn/chatZenMux（国外用户） 开发者，提供聊天和API测试等功能）：https://zenmux.ai/inclusionai/ling-1t 文中视频链接：https://mp.weixin.qq.com/s/ccGLfIe9CSspVWc3TVf6fA
特别提示：以上内容（包括图片和视频，如有）已上传并发布发布的内容可供自有媒体平台“网易账号”的用户使用。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号用户上传发布，网易号是一个仅提供信息存储服务的社交媒体平台。