蚂蚁百灵Ring-2.6-1T开源模型Agent执行能力全面升级

5月15日，蚂蚁百灵正式开源其旗舰级思考模型Ring-2.6-1T，相关权重文件已在Hugging Face和ModelScope两大主流开源平台同步发布。事实上，该模型此前已率先登陆OpenRouter平台，并开放了限时免费的API接口供开发者体验，引发了广泛的技术尝鲜与讨论。

此次开源的Ring-2.6-1T模型，其核心设计理念聚焦于“按需思考”，引入了名为“Reasoning Effort”的可调节推理强度机制，提供high与xhigh两档模式。这一创新设计允许开发者根据任务的实际复杂度与性能需求，动态调配模型的计算资源。具体而言，high模式优化了高频Agent工作流的执行效率，特别适用于多轮对话、工具调用及任务拆解等日常应用场景；而xhigh模式则全力释放模型的深度推理潜能，专为应对数学竞赛、复杂科研分析等高难度挑战而设计。这一差异化能力设计，被业界视为不仅是技术能力的突破，更是工程实用化道路上的一次重要跨越。

评测表现：两档模式，各显神通

那么，这套可调节推理机制的实际性能表现如何？根据多项权威基准评测数据，两种模式展现出清晰的差异化优势，覆盖了从高效执行到深度推理的全场景需求。

在high模式下，Ring-2.6-1T展现了卓越的Agent场景执行能力。其在评估智能体工作流性能的PinchBench上获得87.60分，表现优于GPT-5.4的xHigh模式及Gemini-3.1-Pro的high模式；在电信领域任务基准Tau2-Bench Telecom中，更取得了95.32的高分。这些成绩充分证明，该模型在处理需要快速、精准执行复杂指令链的场景中，已具备强大的竞争力。

当切换至xhigh模式，模型则转向攻坚克难。在AIME 26数学竞赛级别测试中，其得分高达95.83，已逼近多家头部闭源模型的顶尖水平；在考察深度科学知识与复杂逻辑推理的GPQA Diamond基准测试中，也获得了88.27的稳健分数。两档模式的精准定位，有效覆盖了从日常高效执行到极限深度思考的完整能力频谱。

训练基石：异步架构与“棒冰算法”

强大性能的背后，离不开创新训练方法的坚实支撑。Ring-2.6-1T采用了一套先进的异步强化学习训练架构。该架构的关键在于将策略采样与模型参数更新这两个核心步骤解耦，形成独立的处理流水线。此举有效解决了传统同步训练中常见的GPU资源闲置与等待问题，从而大幅提升了整体训练吞吐量，并为开展更长时间周期的稳定持续训练奠定了基础。

此外，百灵团队还将此前在Ring-1T模型中验证有效的“棒冰算法”集成至这套异步RL框架中，进一步攻克了深度强化学习训练过程中的稳定性难题。关于这些核心训练技术的更多实现细节与原理，官方表示将在后续发布的技术报告中予以全面披露。

战略聚焦：从“刷分”到“实用”

若将视野放宽，会发现Ring-2.6-1T的开源并非孤立事件。回顾近一个月，蚂蚁百灵已密集迭代并开源了多款模型，覆盖了Ling语言模型与Ring推理模型两大产品线。

一个清晰的战略转向正浮出水面：相较于单纯追逐更大的参数规模或更高的单项评测分数，百灵更加强调“真实生产环境下的实用体验”。其模型系列集体切入了一个关键维度——“Token Efficiency”（令牌效率），即致力于以更少的计算资源消耗，完成更高质量的任务输出。这种对效率的极致追求，显然更贴合企业级应用对成本控制与性能表现的平衡考量。

市场的反馈是最直接的试金石。此前，百灵发布的Ling-2.6-flash模型的匿名测试版“Elephant Alpha”在OpenRouter平台上线后，曾连续多日位列趋势榜榜首，日均tokens调用量达到百亿级别。这从侧面有力印证了，其秉持的“实用主义”技术路线，正在获得广大开发者与市场的积极认可与热烈回应。