返回
原文
蚂蚁 inclusionAI：HuggingFace 新模型
精选
59AI 编辑部评分，满分 100

蚂蚁 inclusionAI 推出万亿参数推理模型 Ring-2.6-1T

2026-05-14 16:10· 92天前
AI 导读

蚂蚁 inclusionAI 发布旗舰推理模型 Ring-2.6-1T，参数规模达万亿，面向智能体工作流、工程开发、科研分析等复杂场景。模型从“能回答”升级至“能执行”，在多步任务与工具协作中表现更优；支持 high/xhigh 两档推理强度，可灵活平衡效果与成本；采用异步强化学习结合 IcePop 算法提升训练效率。基准测试中，high 模式 PinchBench 得 87.60、ClawEval 63.82、Tau2-Bench 电信场景 95.32；xhigh 模式 ARC-AGI-V2 得 66.18、AIME 26 达 95.83、GPQA Diamond 88.27。上下文长度支持 128K 扩展至 256K（YaRN），已通过 HuggingFace 和 ModelScope 开放下载。

推荐理由

蚂蚁放出的万亿参数推理模型，Agent执行能力在PinchBench上超GPT-5.4，异步RL训练和可调推理强度对工程落地有参考价值，开源可试。

正文 · AI 翻译

推出 Ring-2.6-1T：一款专为真实世界复杂任务场景设计的万亿参数旗舰推理模型，可供开发者、研究人员和企业环境进行验证、适配及进一步开发。

Ring-2.6-1T 的目标并非单纯追求更大的参数量，而是解决大模型正在进入的真实生产环境：智能体工作流、工程开发、科研分析、复杂业务系统以及企业自动化流程。在这些场景中，模型不仅需要“回答问题”，还需要理解上下文、规划步骤、调用工具、持续执行，并在长周期任务中保持稳定性。

Ring-2.6-1T 在三个关键领域实现了升级：

  • 全面增强的智能体执行能力：从“能够回答”迈向“能够执行”，在多步骤任务、工具协作、上下文规划以及推进复杂工作流方面表现更加稳定。

  • 推理强度机制：支持 high 和 xhigh 两种推理强度级别，允许开发者根据任务复杂度灵活调整思考深度，在效果、速度和成本之间实现更优平衡。

  • 创新的异步强化学习训练范式：采用 Async RL 架构并结合 IcePop 算法，提升了万亿参数模型在长周期强化学习中的训练效率和稳定性，为智能体能力和复杂推理提供了基础支撑。

模型下载

您可以从下表中下载 Ring-2.6-1T。如果您位于中国大陆，我们也在 ModelScope 上提供了该模型，以加快下载速度。

模型 上下文长度 下载
Ring-2.6-1T 128K -> 256K (YaRN) 🤗 HuggingFace🤖 ModelScope

注意：如果您对先前版本感兴趣，请访问 HuggingFace 或 ModelScope 上的历史模型合集。

智能体能力：从“理解任务”到“持续执行任务”

在实际业务系统中，模型面对的往往不是孤立的问答，而是需要工具协作的连续、多轮、复杂任务。Ring-2.6-1T 针对此类场景进行了专门增强，能够实现更稳定的任务分解、步骤规划、工具调用、错误修正以及上下文延续。

从基准测试结果来看，Ring-2.6-1T 在实际任务执行评估中展现出卓越性能：在 PinchBench 上达到 87.60，显著高于 GPT-5.4 xHigh 和 Gemini-3.1-Pro high；在 ClawEval 上获得 63.82 分，位列同类可比模型前列；在 Tau2-Bench 的电信场景中达到 95.32，与最高分模型的差距不到 1 分，展现了其在复杂业务流程、工具协作及行业特定任务中的稳定执行能力。

这意味着 Ring-2.6-1T 不仅能理解用户意图，还能在实际工作流中持续推动任务前进。无论是在个人助手智能体、企业流程自动化，还是在代码生成、任务分解以及编码智能体场景中的工程协作中，Ring-2.6-1T 都更像一个可执行、可响应反馈、可迭代的工作流引擎。

推理力度：High 与 xHigh 配置——需要时快速，必要时深入

在实践中，并非所有任务都需要相同程度的推理资源。一个格式转换或信息整理任务，与一道数学竞赛题或复杂系统分析相比，对模型思考深度的要求截然不同。

为此，Ring-2.6-1T 引入了可调节的推理力度机制，支持两种推理力度级别：high 和 xhigh。

  • high 专为高频智能体工作流设计，适用于多轮交互、工具协作、任务分解以及生产环境下的默认调用。它在保持高任务完成率的同时，减少了不必要的推理 token 开销，使模型在实际工作流中更快、更稳定、更具成本效益。

  • xhigh 专为数学、科学研究、复杂逻辑分析和多路径探索等高难度任务而设计，为模型提供了更广阔的推理空间。在具有挑战性的推理基准测试中，Ring-2.6-1T xhigh 展现了强大的能力上限：在 ARC-AGI-V2 上得分为 66.18，超越了 Gemini-3.1-Pro high 和 Claude-Opus-4.7 xhigh；在 AIME 26 上达到 95.83，与多个领先模型持平；在 GPQA Diamond 上获得 88.27，体现了扎实的专业知识理解能力和复杂推理能力。

借助 high 和 xhigh 配置选项，开发者可以根据任务特征动态分配推理资源：在日常工作流程中使用 high 以获得更高效率，在复杂推理任务中切换到 xhigh 以释放模型的全部能力上限。

异步 Async RL 训练 + IcePop 算法：支持万亿参数模型的稳定强化学习

对万亿参数模型进行强化学习训练本身就是一个巨大的工程挑战。在传统的同步 RL 训练中，策略生成（rollout）和梯度更新紧密耦合，导致：

  • GPU 等待：GPU 资源利用率低，大量算力浪费在同步等待上；

  • 训练吞吐量不足：训练周期长，迭代速度有限；

  • 长期训练不稳定：在长时间训练中容易发生策略崩溃或奖励信号退化。

Ring-2.6-1T 采用异步（Async）强化学习训练架构，将策略采样和参数更新解耦为独立的流水线，实现了：

  • 训练吞吐量和资源利用率显著提升：采样和更新并行执行，大幅提高 GPU 利用率，训练效率提升数倍；
  • 支持更长的训练周期：解耦架构天然适合大规模、长时段的持续训练，消除了因同步瓶颈导致的训练中断。

在此基础上，我们将 Ring-1T 中的 IcePop 算法应用于异步强化学习训练过程，以解决训练不稳定性问题。这一训练范式的创新使我们能够在万亿参数模型上进行充分且稳定的强化学习优化，将智能体的执行能力和推理能力双双推向新的高度。我们将在即将发布的技术报告中公布 Stick-Breaking 算法与异步架构结合的详细内容。

快速开始

🚀 在线试用

部署

SGLang

环境准备

我们后续会将模型提交至 SGLang 官方发布版本，目前可按以下步骤准备环境：

git clone -b ling_2_5 git@github.com:antgroup/sglang.git
cd sglang

# Install the python packages
pip install --upgrade pip
pip install -e "python"

运行推理

SGLang 目前同时支持 BF16 和 FP8 模型。具体取决于 ${MODEL_PATH} 中模型的 dtype。

以下是使用多 GPU 节点运行 Ring-2.6-1T 的示例，其中主节点 IP 为 ${MASTER_IP}，服务器端口为 ${PORT}：

  • 启动服务器：
# Node 0:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 0 
# Node 1:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 1 
# Node 2:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 2 
# Node 3:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 3

# This is only an example. Please adjust arguments according to your actual environment.
  • 客户端：
curl -s http://${MASTER_IP}:${PORT}/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "auto", "messages": [{"role": "user", "content": "What is the capital of France?"}]}'

许可证

本代码仓库采用 MIT 许可证。

1T 参数

F32

F8_E4M3

使用 inclusionAI/Ring-2.6-1T 的 Spaces（共 4 个）

包含 inclusionAI/Ring-2.6-1T 的合集

inclusionAI/Ring-2.6-1T 相关论文

评估结果

  • Idavidrein/gpqa·Diamond查看评估结果排行榜 88.27 *
  • SWE-bench/SWE-bench_Verified·Swe Bench 已解决查看评估结果排行榜 74 *
  • claw-eval/Claw-Eval·通用查看评估结果排行榜 63.82 *
  • MathArena/aime_2026·MathArena Aime 2026查看评估结果排行榜 95.83 *

查看评估结果

极高推理强度，Pass@1

查看评估结果

高推理强度

查看评估结果

高推理强度，Pass³ | N=3 | 161 个任务

查看评估结果

极高推理强度，Mean@64

智能体开源/仓库推理模型发布

来源：蚂蚁 inclusionAI：HuggingFace 新模型 · huggingface.co

导出 Markdown
事件后续 · 3查看事件全部 →
返回
精选AI 评分 59/100打开原文
导出 Markdown

蚂蚁 inclusionAI 推出万亿参数推理模型 Ring-2.6-1T

蚂蚁 inclusionAI：HuggingFace 新模型·2026-05-14 16:10·92天前
AI 导读

蚂蚁 inclusionAI 发布旗舰推理模型 Ring-2.6-1T，参数规模达万亿，面向智能体工作流、工程开发、科研分析等复杂场景。模型从“能回答”升级至“能执行”，在多步任务与工具协作中表现更优；支持 high/xhigh 两档推理强度，可灵活平衡效果与成本；采用异步强化学习结合 IcePop 算法提升训练效率。基准测试中，high 模式 PinchBench 得 87.60、ClawEval 63.82、Tau2-Bench 电信场景 95.32；xhigh 模式 ARC-AGI-V2 得 66.18、AIME 26 达 95.83、GPQA Diamond 88.27。上下文长度支持 128K 扩展至 256K（YaRN），已通过 HuggingFace 和 ModelScope 开放下载。

正文 · AI 翻译

推出 Ring-2.6-1T：一款专为真实世界复杂任务场景设计的万亿参数旗舰推理模型，可供开发者、研究人员和企业环境进行验证、适配及进一步开发。

Ring-2.6-1T 的目标并非单纯追求更大的参数量，而是解决大模型正在进入的真实生产环境：智能体工作流、工程开发、科研分析、复杂业务系统以及企业自动化流程。在这些场景中，模型不仅需要“回答问题”，还需要理解上下文、规划步骤、调用工具、持续执行，并在长周期任务中保持稳定性。

Ring-2.6-1T 在三个关键领域实现了升级：

  • 全面增强的智能体执行能力：从“能够回答”迈向“能够执行”，在多步骤任务、工具协作、上下文规划以及推进复杂工作流方面表现更加稳定。

  • 推理强度机制：支持 high 和 xhigh 两种推理强度级别，允许开发者根据任务复杂度灵活调整思考深度，在效果、速度和成本之间实现更优平衡。

  • 创新的异步强化学习训练范式：采用 Async RL 架构并结合 IcePop 算法，提升了万亿参数模型在长周期强化学习中的训练效率和稳定性，为智能体能力和复杂推理提供了基础支撑。

模型下载

您可以从下表中下载 Ring-2.6-1T。如果您位于中国大陆，我们也在 ModelScope 上提供了该模型，以加快下载速度。

模型 上下文长度 下载
Ring-2.6-1T 128K -> 256K (YaRN) 🤗 HuggingFace🤖 ModelScope

注意：如果您对先前版本感兴趣，请访问 HuggingFace 或 ModelScope 上的历史模型合集。

智能体能力：从“理解任务”到“持续执行任务”

在实际业务系统中，模型面对的往往不是孤立的问答，而是需要工具协作的连续、多轮、复杂任务。Ring-2.6-1T 针对此类场景进行了专门增强，能够实现更稳定的任务分解、步骤规划、工具调用、错误修正以及上下文延续。

从基准测试结果来看，Ring-2.6-1T 在实际任务执行评估中展现出卓越性能：在 PinchBench 上达到 87.60，显著高于 GPT-5.4 xHigh 和 Gemini-3.1-Pro high；在 ClawEval 上获得 63.82 分，位列同类可比模型前列；在 Tau2-Bench 的电信场景中达到 95.32，与最高分模型的差距不到 1 分，展现了其在复杂业务流程、工具协作及行业特定任务中的稳定执行能力。

这意味着 Ring-2.6-1T 不仅能理解用户意图，还能在实际工作流中持续推动任务前进。无论是在个人助手智能体、企业流程自动化，还是在代码生成、任务分解以及编码智能体场景中的工程协作中，Ring-2.6-1T 都更像一个可执行、可响应反馈、可迭代的工作流引擎。

推理力度：High 与 xHigh 配置——需要时快速，必要时深入

在实践中，并非所有任务都需要相同程度的推理资源。一个格式转换或信息整理任务，与一道数学竞赛题或复杂系统分析相比，对模型思考深度的要求截然不同。

为此，Ring-2.6-1T 引入了可调节的推理力度机制，支持两种推理力度级别：high 和 xhigh。

  • high 专为高频智能体工作流设计，适用于多轮交互、工具协作、任务分解以及生产环境下的默认调用。它在保持高任务完成率的同时，减少了不必要的推理 token 开销，使模型在实际工作流中更快、更稳定、更具成本效益。

  • xhigh 专为数学、科学研究、复杂逻辑分析和多路径探索等高难度任务而设计，为模型提供了更广阔的推理空间。在具有挑战性的推理基准测试中，Ring-2.6-1T xhigh 展现了强大的能力上限：在 ARC-AGI-V2 上得分为 66.18，超越了 Gemini-3.1-Pro high 和 Claude-Opus-4.7 xhigh；在 AIME 26 上达到 95.83，与多个领先模型持平；在 GPQA Diamond 上获得 88.27，体现了扎实的专业知识理解能力和复杂推理能力。

借助 high 和 xhigh 配置选项，开发者可以根据任务特征动态分配推理资源：在日常工作流程中使用 high 以获得更高效率，在复杂推理任务中切换到 xhigh 以释放模型的全部能力上限。

异步 Async RL 训练 + IcePop 算法：支持万亿参数模型的稳定强化学习

对万亿参数模型进行强化学习训练本身就是一个巨大的工程挑战。在传统的同步 RL 训练中，策略生成（rollout）和梯度更新紧密耦合，导致：

  • GPU 等待：GPU 资源利用率低，大量算力浪费在同步等待上；

  • 训练吞吐量不足：训练周期长，迭代速度有限；

  • 长期训练不稳定：在长时间训练中容易发生策略崩溃或奖励信号退化。

Ring-2.6-1T 采用异步（Async）强化学习训练架构，将策略采样和参数更新解耦为独立的流水线，实现了：

  • 训练吞吐量和资源利用率显著提升：采样和更新并行执行，大幅提高 GPU 利用率，训练效率提升数倍；
  • 支持更长的训练周期：解耦架构天然适合大规模、长时段的持续训练，消除了因同步瓶颈导致的训练中断。

在此基础上，我们将 Ring-1T 中的 IcePop 算法应用于异步强化学习训练过程，以解决训练不稳定性问题。这一训练范式的创新使我们能够在万亿参数模型上进行充分且稳定的强化学习优化，将智能体的执行能力和推理能力双双推向新的高度。我们将在即将发布的技术报告中公布 Stick-Breaking 算法与异步架构结合的详细内容。

快速开始

🚀 在线试用

部署

SGLang

环境准备

我们后续会将模型提交至 SGLang 官方发布版本，目前可按以下步骤准备环境：

git clone -b ling_2_5 git@github.com:antgroup/sglang.git
cd sglang

# Install the python packages
pip install --upgrade pip
pip install -e "python"

运行推理

SGLang 目前同时支持 BF16 和 FP8 模型。具体取决于 ${MODEL_PATH} 中模型的 dtype。

以下是使用多 GPU 节点运行 Ring-2.6-1T 的示例，其中主节点 IP 为 ${MASTER_IP}，服务器端口为 ${PORT}：

  • 启动服务器：
# Node 0:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 0 
# Node 1:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 1 
# Node 2:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 2 
# Node 3:
python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 3

# This is only an example. Please adjust arguments according to your actual environment.
  • 客户端：
curl -s http://${MASTER_IP}:${PORT}/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "auto", "messages": [{"role": "user", "content": "What is the capital of France?"}]}'

许可证

本代码仓库采用 MIT 许可证。

1T 参数

F32

F8_E4M3

使用 inclusionAI/Ring-2.6-1T 的 Spaces（共 4 个）

包含 inclusionAI/Ring-2.6-1T 的合集

inclusionAI/Ring-2.6-1T 相关论文

评估结果

  • Idavidrein/gpqa·Diamond查看评估结果排行榜 88.27 *
  • SWE-bench/SWE-bench_Verified·Swe Bench 已解决查看评估结果排行榜 74 *
  • claw-eval/Claw-Eval·通用查看评估结果排行榜 63.82 *
  • MathArena/aime_2026·MathArena Aime 2026查看评估结果排行榜 95.83 *

查看评估结果

极高推理强度，Pass@1

查看评估结果

高推理强度

查看评估结果

高推理强度，Pass³ | N=3 | 161 个任务

查看评估结果

极高推理强度，Mean@64

来源：蚂蚁 inclusionAI：HuggingFace 新模型· huggingface.co

事件后续 · 3查看事件全部 →