蚂蚁集团开源的万亿参数模型Ling-1T和Ring-1T-preview
目录
引言：当AI开始解奥数题
一、认识“双子星”：一个“能说会道”，一个“善于思考”
1.1 Ling-1T：全能的“语言学家”
1.2 Ring-1T：专注的“思想家”
二、技术肌肉秀：这些成就到底意味着什么？
2.1 解开IMO奥数题，为什么这么难？
2.2 “逼近GPT-5”，需要加上限定词
三、解密“黑科技”：万亿模型如何做到“又大又省”？
四、真正的价值：开源，以及对“唯参数论”的反思
4.1 开源的战略价值
4.2 蚂蚁的场景化野心
4.3 超越参数竞赛
结语：一个里程碑，而非终点
🎬 攻城狮7号：个人主页
🔥 个人专栏:《AI前沿技术要闻》
⛺️ 君子慎独!
🌈 大家好，欢迎来访我的博客！
⛳️ 此篇文章主要介绍 蚂蚁集团开源的万亿参数模型
📚 本期文章收录在《AI前沿技术要闻》，大家有兴趣可以自行查看！
⛺️ 欢迎各位 ✔️ 点赞 👍 收藏 ⭐留言 📝！
引言：当AI开始解奥数题
最近，AI圈被两则重磅消息刷屏，都来自蚂蚁集团。他们接连开源了两款万亿参数级别的“巨兽”模型：一个是能言善辩的通用语言模型Ling-1T，另一个是擅长深度推理的思考模型Ring-1T。
最引人注目的，莫过于Ring-1T的惊人战绩：它挑战了号称人类智慧巅峰之一的国际数学奥林匹克（IMO）竞赛题，并一举拿下“银牌水平”的成绩。同时，在衡量模型综合能力的权威榜单上，它的表现已经十分逼近GPT-5的深度思考模式。
“万亿参数”、“开源”、“比肩GPT-5”、“解奥数题”——这些标签组合在一起，无疑极具冲击力。但这背后，一连串更实际的问题也随之而来：这是否意味着我们普通人也能用上堪比GPT-5的免费AI了？蚂蚁斥巨资研发这样的顶尖模型，究竟意欲何为？当AI的参数竞赛日益白热化，我们究竟应该关注什么？
一、认识“双子星”：一个“能说会道”，一个“善于思考”
要理解蚂蚁的布局，首先要分清Ling-1T和Ring-1T这两个模型。它们虽然同为万亿参数，但定位和分工截然不同。
1.1 Ling-1T：全能的“语言学家”
这是蚂蚁的通用语言大模型，你可以把它理解成一个知识渊博、表达流畅的全能助手。它的核心任务是理解和生成高质量的文本，适用于智能客服、内容创作、知识问答、代码编写等绝大多数日常场景。它的目标是“说得对”和“说得好”。
Ling-1T 模型架构图
1.2 Ring-1T：专注的“思想家”
这是在Ling-1T的基础上，通过大量复杂的推理任务进行“特训”后诞生的思考模型。如果说Ling-1T追求的是广度，那么Ring-1T追求的就是深度。它的设计初衷，就是为了攻克那些需要严密逻辑、多步推理和抽象思维的难题，比如数学竞赛、复杂的代码生成和科学研究。它的目标是“想得深”和“想得通”。
简单来说，Ling-1T是基础，Ring-1T是进阶。我们日常聊天、写文案，用的是Ling-1T的能力；而当需要AI解决一个复杂的数学证明或设计一个精密的算法时，就需要Ring-1T这样的“思想家”出马了。
二、技术肌肉秀：这些成就到底意味着什么？
Ring-1T的“IMO银牌”和“逼近GPT-5”的成绩单，无疑是其技术实力的最佳证明。但我们需要冷静地解读这些成就背后的真正含义。
2.1 解开IMO奥数题，为什么这么难？
IMO赛题和我们平时遇到的数学题完全不同，它几乎没有固定的解题套路，需要极强的洞察力、逻辑推理能力甚至“灵感”。AI解IMO题，挑战的不是计算能力，而是机器是否能像人一样进行创造性思考。
Ring-1T能一次性解出多道难题，证明它在数学推理的深度上达到了世界顶尖水平。但同时，在最难的那道题上，它和Gemini 2.5 Pro一样给出了相同的错误答案。这说明，对于人类智慧最顶尖的难题，现有AI模型仍然存在共同的“天花板”。
2.2 “逼近GPT-5”，需要加上限定词
在“人类偏好对齐”测试Arena-Hard V2中，Ring-1T的成绩非常接近GPT-5的“思考模式”（Thinking Mode）。这个成绩含金量很高，说明其生成内容的质量、逻辑性和安全性等综合表现，已经得到了高度认可。
Ring-1T 与业界代表性思考模型的性能横评
但我们也需要客观看待这个“逼近”。首先，与之对标的是GPT-5的特定模式，该模式以更长的推理时间和更高的成本为代价，换取更优的回答质量。其次，测试榜单上的微小差距，在解决某些关键问题时，可能就是“能”与“不能”的区别。因此，“逼近”是一个恰当的描述，它代表了追赶的姿态，而非全面的超越。
Ling-1T（最右列）与几款具有代表性的旗舰模型的比较
三、解密“黑科技”：万亿模型如何做到“又大又省”？
“万亿参数”听起来就是一个吞噬算力的无底洞，蚂蚁是如何驾驭这个巨兽，并让它高效运转的？这背后有几项关键的技术创新。
（1）MoE架构：养了一支“专家团队”，而非一个“臃肿大脑”
Ling-1T和Ring-1T都采用了目前最前沿的MoE（专家混合）架构。你可以把它想象成一个拥有一万亿知识储备的“智库”，但这个智库并非一个单一的大脑，而是由许多各有所长的“专家小组”构成。
当一个任务进来时，系统并不会调动全部一万亿参数，而是像一位聪明的项目经理，只激活与任务最相关的几十个专家（约500亿参数）来协同工作。这样做的好处显而易见：既拥有了万亿模型的知识广度和深度，又保持了百亿级模型的运行效率和成本。这就是“万亿储备，百亿开销”的由来。
（2）自研算法与系统：为“巨兽”保驾护航
训练如此规模的模型，会遇到各种世界级难题。比如“训推精度差异”——模型在训练时的表现和实际使用时的表现不一致，容易导致训练过程“翻车”。为此，蚂蚁自研了“棒冰（icepop）”算法，确保训练过程的稳定。
同时，为了让模型“想得更明白”，蚂蚁还创新地提出了LPO（语言单元策略优化）方法，在强化学习阶段，让AI以“句子”为单位进行思考和优化，而不是传统的、零碎的“单词”。这更符合人类的逻辑思维习惯，让模型的回答更加连贯和有条理。
这些底层技术的突破，才是蚂TA能够成功训练并开源万亿模型的基石。
四、真正的价值：开源，以及对“唯参数论”的反思
对于绝大多数普通用户来说，即便上手体验Ring-1T，可能也感受不到它和GPT-4在日常任务上的天壤之别。甚至因为它是“思考模型”，响应速度可能还会更慢。
那么，蚂蚁耗费巨大资源做这件事的意义何在？
4.1 开源的战略价值
这或许是Ring-1T和Ling-1T发布最核心的意义。在过去，万亿参数模型是少数几家科技巨头的“传家宝”，外界只能通过API接口调用，无法窥其内部构造。
蚂蚁这次将模型权重、训练方法等核心资产全部开放给社区，相当于把“武功秘籍”公之于众。这极大地推动了全球AI研究的进程。全世界的开发者和研究者，都可以在此基础上进行二次开发、寻找模型缺陷、探索新的应用，从而加速整个AI技术的迭代。这是一种对技术生态的长期投资。
4.2 蚂蚁的场景化野心
与OpenAI打造通用AI助手的路线不同，蚂蚁的大模型战略更聚焦于和自身业务的深度融合。这些强大的AI能力，正被逐步应用到支付宝的各个角落：更聪明的AI理财管家“蚂小财”、更贴心的AI生活助手、服务企业客户的“数字蚂力”平台等。
蚂蚁的逻辑是，与其去卷一个大而全的聊天工具，不如利用自身庞大的用户基础和丰富的应用场景，将AI能力“润物细无声”地嵌入到金融、生活服务中去，解决更具体、更垂直的问题。
4.3 超越参数竞赛
Ring-1T的发布，也引发了我们对“唯参数论”的思考。AI的竞争，一定要不断地堆积参数吗？从百亿到千亿，再到万亿，性能的提升似乎正在边际递减，而成本和能耗却在指数级增长。
蚂蚁通过MoE架构和一系列效率优化，给出了一个可能的答案：未来的竞争，可能不再是谁的模型更大，而是谁能用更低的成本、更高的效率，将AI能力稳定、可靠地应用到实际场景中。
结语：一个里程碑，而非终点
蚂蚁的万亿参数双子星，无疑是中国AI发展史上的一个重要里程碑。它证明了中国企业在超大规模模型的设计、训练和工程实现上，已经具备了世界顶尖的实力。
然而，它更像是一个新阶段的开端。对于蚂蚁而言，如何将这些强大的技术能力，转化为用户真正喜爱并高频使用的产品，是比技术本身更严峻的考验。对于整个AI行业而言，如何摆脱对参数规模的盲目崇拜，转向效率、应用和生态的良性竞争，将是下一阶段的核心命题。
Ring-1T解开的奥数题固然精彩，但AI如何解开赋能千行百业、融入大众生活的“应用题”，或许才是更值得我们期待的答案。
Ring-1T-preview的开源地址：
Hugging Face：https://huggingface.co/inclusionai/ring-1t
ModelScope：https://modelscope.cn/models/inclusionai/ring-1t
Ling-1T相关体验地址和开源地址：
HuggingFace：https://huggingface.co/inclusionAI/Ling-1T
ModelScope：https://modelscope.cn/models/inclusionAI/Ling-1T
GitHub：https://github.com/inclusionAI/Ling-V2
Ling chat（国内用户）：https://ling.tbox.cn/chat
ZenMux（海外开发者，提供 Chat 测试与 API 等能力）：https://zenmux.ai/inclusionai/ling-1t
看到这里了还不给博主点一个：
⛳️ 点赞☀️收藏 ⭐️ 关注！
💛 💙 💜 ❤️ 💚💓 💗 💕 💞 💘 💖
再次感谢大家的支持！
你们的点赞就是博主更新最大的动力！