高效且可扩展的智能体智能需要模型既能提供低延迟响应，又能具备强大的推理能力，同时在训练、服务和部署上保持实用性。在本报告中，我们提出了 Ling-2.6 和 Ring-2.6，这是一系列为大规模应对这一挑战而设计的模型。Ling-2.6 针对即时响应生成和每个输出 token 的高能力进行了优化，而 Ring-2.6 则专为更深度的推理和更高级的智能体工作流而定制。我们没有从头开始训练，而是通过架构迁移预训练和大规模后训练来升级 Ling-2.0 基础模型。此次升级以模型架构、优化目标、服务系统和智能体训练环境的统一协同设计为指导，从而在模型能力和部署效率两方面均实现改进。在架构层面，我们引入了一种混合线性注意力设计，将 Lightning Attention 与 MLA 相结合，提高了长上下文训练和解码的效率。为了进一步提升 token 效率，我们通过演化思维链、语言单元策略优化、双向偏好对齐以及最短正确响应蒸馏来优化每个输出 token 的能力。针对智能体能力，我们提出了 KPop，这是一个强化学习框架，旨在支持 Ring-2.6-1T 在大规模环境基础数据上的稳定训练。KPop 通过在编码、搜索、工具使用和工作流执行之间进行异步调度来提高训练效率，从而实现对复杂智能体-环境交互的可扩展学习。Ling-2.6 和 Ring-2.6 共同为高效、可扩展且开放的智能体系统提供了一条实用路径。我们开源了 2.6 系列的所有检查点，以支持实用智能体智能领域的进一步研究和发展。