萬億思考模型奪下IMO金牌，無縫接入OpenClaw！一句話手搓丐版PS

新智元報道

編輯：編輯部

【新智元導讀】萬億級思考模型在開源！Ring-2.5-1T重磅出世，奪下IMO金牌。全新Ling 2.5架構，讓它具備了深度思考、長程執行強大能力，真正進化為「通用智能體時代」的基座。

2026年的AI圈，已經不是在「卷」，是在玩命加速！

二月才過一半，硅谷三巨頭輪番轟炸，直接掀了桌子——

Anthropic Claude 4.6先聲奪人，OpenAI GPT-5.3 Codex緊隨其后，谷歌反手掏出全新Gemini 3 Deep Think。

不得不讓人感慨，這簡直是神仙打架的「諸神黃昏」。

就在閉源巨頭們于巔峰對決之際，開源社區也迎來了一場屬于自己的「技術核爆」。

這一次，出場的是中國隊！

全球首個！

萬億級混合線性「思考模型」重磅開源

沒有任何預熱，全球首個萬億級混合線性架構「思考模型」——Ring-2.5-1T直接宣布開源。

相較于上一代Ring-1T，新模型在長文本生成、數學推理、Agent長程執行方面，實現了階躍式的進步。

最令人振奮的，莫過于它全面兼容了當下炙手可熱的OpenClaw生態，以及Claude Code等主流智能體框架。

無縫接入Claude Code，絲滑Vibe Coding

為了證明這次Ring-2.5-1T真能真正幫忙干活， 我們手搓了幾個案例。

前段時間，外國網友Christopher Ehrlich，用AI把《模擬城市》（1989年版）的C語言代碼庫，移植到了TypeScript。

而且全程基本沒看具體代碼，也沒怎么干預。

受此啟發，第一個測試案例是將jsx文件轉化為可以直接開箱即用的本地APP。

Ring-2.5-1T在Claude Code中運行了約30分鐘，最終完整遷移了所有功能。

從規劃到遷移完成，測試中基本只要確認權限即可，確實完全不需要看代碼。

Ring-2.5-1T完成了文件創建、編譯的全部工作，涉及文件數量10多個：

現在，本地的一個極簡的圖片應用完成了，可裁剪、拼接、添加文字——

事已至此，不如再讓它給這個應用加點兒功能。

沒想到只要10分鐘，一個簡易版「PhotoShop」桌面應用真完成了。

Ring-2.5-1T實現了全部9種工具：

選擇 - 基礎選擇模式

?? 裁剪 - 拖拽定義裁剪區域，支持視覺預覽

文字 - 點擊添加文字對象，可自定義字體、大小、顏色

? 畫筆 - 自由手繪，支持調節粗細和顏色

橡皮擦 - 擦除圖像區域，支持調節大小

? 形狀 - 繪制矩形、圓形、線條，支持描邊選項

? 模糊 - 局部模糊筆刷，基于盒式模糊算法

吸管 - 從畫布拾取顏色

拼接 - 支持水平/垂直方向多圖拼接

這種完成度可以說相當高了。

在這個項目里，Ring-2.5-1T不僅創建了基于React的功能完備圖像編輯器，代碼量1572行，還一口氣生成了:

• PixelEditor.app - 可直接運行的應用（已復制到桌面）

• PixelEditor-1.0.0-arm64.dmg - DMG安裝包（91MB）

• PixelEditor-1.0.0-arm64-mac.zip - ZIP壓縮包（88MB）

完整的功能體驗視頻如下。

但即便看不懂代碼，大家能感覺到頁面設計的確簡陋，有待改進。

所以，在Claude Code中，又交代了Ring-2.5-1T一句：

重新設計頁面，要簡潔有科技感

這下視覺風格和布局馬上變順眼多了：

除此之外，接入OpenClaw后，它還可以直接幫你解讀文獻，并且用Java代碼闡釋技術邏輯。

代碼實力逆天

接下來，再讓Ring-2.5-1T生成一個網頁，闡釋「光的折射」背后的原理，用于課堂教學。

可以看到，在它的思考過程中，清晰架構了這個課題的核心內容。

而且，它還制作了一個可互動的演示，并配上了使用指南。

最終，我們就得到了一個精美的在線教學工具。

再比如，讓它制作一個英文交互式單詞卡，每個單詞要附上音標、釋義、例句。

結果，Ring-2.5-1T在很短時間內，交出了一份完美的答卷。

硬剛奧數級難題，「洗車」圖靈測試已過

最后，再來看看Ring-2.5-1T，在奧賽級數學難題上的實力如何？

如下，是一道非常經典的「數論與代數」結合的競賽題，考察了數學直覺中的「破局思維」。

單純看n^4 + 4^n，尤其是奇數代入時，很容易讓人產生一種「它可能是隨機生成質數」的錯覺。

在Ring-2.5-1T解答中，立即捕捉到了n^4 + 4^n代數結構，并準確調用工具：Sophie Germain恒等式。

找到因式分解只是第一步，接下來，整個論證過程是最亮眼的一環。

81秒全程思考，Ring-2.5-1T多次展現了類似人腦的「自我辯證」和「實時糾偏」的能力。

與Ring-1T相比，這一次，Ring-2.5-1T不僅拿下了奧數金牌，推理能力更強，數學解答更精準，還能處理模糊約束和優化問題。

比如，最近的洗車測試成了AI圈新樂子。

問題是這樣的：

洗車店距離我家只有100米，我要洗車，開車去還是走路去？

ChatGPT/Claude眾口一詞：「走路去！」

但走路雖好，車洗不了。而這兩頂級AI根本沒考慮大部分人去洗車店的目的：洗車。

這里提問的陷阱不在于距離，而是目的，考的不是計算能力，而是讀懂弦外之音的「高階推理」能力。

而Ring-2.5-1T一次就識別其中的關鍵，建議：果斷開車去！

核心邏輯：洗車的本質是服務車輛，而非服務人。

唯一例外：如果您沒有車，只是去洗車店咨詢（比如想買洗車券），那走路完全合理——但根據問題描述，您明確說「我想洗車」，默認您有車需清洗。

說到理解「言外之意」，考試題無疑「處處有陷阱」，猜不透題干意圖，往往中招。

我們用一道地理題測試一下Ring-2.5-1T的「考商」，原題是這樣的：

選項有四個：

A. 避擋風沙 B. 遮陽擋雨 C. 防外人跌入 D. 美化建筑

所有選項貌似都有道理，但只有一個正確答案——C。

Ring-2.5-T這次真懂「地理」：

有意思的是，看完推理過程之后，你也心服口服：

刷爆開源SOTA，奪下奧數金牌

這種強大的實戰落地表現，得益于模型底層硬核推理能力的全面爆發。

在多項基準測試中，Ring-2.5-1T在數學推理、代碼生成、邏輯推理、智能體任務執行，刷新了開源SOTA。

尤其是，在「深度思考」模式下，它在IMOAnswerBench、HMMT-25、LiveCodeBench-v6上，超越了Claude-Opus-4.5、Gemini-3.0-Pro-preview等所有模型。

這足以證明，Ring-2.5-1T具備了強大復雜推理與跨任務泛化的能力。

在數學、代碼、邏輯等高難推理任務，以及智能體搜索、軟件工程、工具調用等長程任務執行上，Ring-2.5-1T均達到開源領先水平

不僅如此，Ring-2.5-1T在國際頂級數學賽事中，展現出極強的統治力：

• IMO 2025：以35分的成績斬獲奧賽金牌；

• 中國奧數CMO 2025：取得105分，遠超國家集訓隊選拔線（87分）的成績。

GitHub公開的結果中，Ring-2.5-1T在推理邏輯嚴謹性、高級數學證明技巧、答案表述的完整性，全面碾壓Ring-1T。

IMO 2025 Q1答題部分結果

此外，在極具挑戰的「智能體搜索任務」Gaia2-search上，Ring-2.5-1T也拿下了開源SOTA。

它在多步規劃生成，以及工具調用方面，兼具卓越的效率和準確性。

隨著模型的開源，Ring-2.5-1T也一下子成為了全網的焦點。

如今，Ring-2.5-1T以金牌級推理能力+超強執行長程任務能力，強勢入局決賽圈，確立了其作為「通用智能體時代基座」的地位。

核心技術揭秘：萬億級混合線性注意力

為何Ring-2.5-1T在萬億參數規模下，還能攻克「深度思考」推理慢、成本高的痼疾？

其實，答案就藏在其首創的「Ling 2.5架構」之中。

1:7黃金配比：MLA + Lightning Linear

在通用智能體世代，模型不僅要「想得深」，還要「動得快」。

如今，深度思考和長程智能體，正成為LLM的核心工作范式，因此對基座本身的編碼效率，提出了近乎苛刻的要求。

傳統Transformer在面對長文本時，計算開銷往往爆炸，這讓萬億級模型「深度思考」變得非常昂貴。

為此，Ling 2.5架構在2.0版本基礎上，引入了革命性的「混合線性注意力架構」（Hybrid Linear Attention）。

在架構方面，螞蟻團隊通過增量訓練，將上一代GQA（分組查詢注意力）升級為——

MLA（多頭線性注意力）+ Lightning Linear結構，采用了1:7的比例。

基于此前的Ring-flash-linear-2.0技術路線，首先將部分GQA層改造為Lightning Linear，提升長程推理的吞吐能力。

為進一步壓縮KV Cache，將剩余的GQA層轉換為MLA。

并且，針對QK Norm（查詢-核歸一化）和Partial RoPE（旋轉位置編碼）等特性進行了精細化適配，從而在混合注意力架構下增強Ling 2.5的表達能力。

升級后的Ling 2.5激活參數，從51B增加至63B。即便如此，其推理效率仍遠超前代。

實測顯示，與KIMI K2（激活參數32B）相比，新架構在長視野任務執行的吞吐量上仍保持明顯優勢。

且生成長度越長，該吞吐量優勢越顯著。

在超32K生成長度下，Ling 2.5訪存規模降低超10倍，生成吞吐飆升3倍還要多。

在不同生成長度下的效率對比示意：生成長度越長，吞吐優勢越明顯

RL訓練：不僅要結果，更要邏輯

不僅如此，團隊還將混合線性注意力架構，在強化學習方面進行了大規模擴展。

Ring-2.5-1T在數學、編碼、智能體等任務上的「神勇」表現，源于其訓練底層邏輯的重構。

不同于只看結果的傳統訓練，Ring-2.5-1T還引入了「密集獎勵」（Dense Reward）機制，嚴密控制思考過程中每一步邏輯。

這種對推理路徑的精雕細琢，顯著減少了邏輯漏洞，讓模型Ring-2.5-1T掌握了更高階的數學證明技巧。

通過大規模全異步Agentic RL訓練，Ring-2.5-1T培養出極強的多步規劃、自主執行的能力。

由此，Ring-2.5-1T可以輕松接入Claude Code、OpenClaw等AI助手智能體編程框架。

總言之，Ring-2.5-1T背后萬億級混合線性注意力架構的創新，重塑了「深度思考」和「長程推理」的邊界。

通用Agent基座時代來臨

繼Ring-1T之后，Ring-2.5-1T是螞蟻團隊，在推理模型結構與行動能力上的進一步探索。

得益于Ling 2.5架構，萬億參數的Ring-2.5-1T有效緩解了長文檔處理、復雜任務規劃中的計算瓶頸。

目前，Ring-2.5-1T的權重和推理代碼已在Hugging Face與ModelScope上正式上線。

Hugging Face：https://huggingface.co/inclusionAI/Ring-2.5-1T

ModelScope：https://modelscope.cn/models/inclusionAI/Ring-2.5-1T

同時，模型也登陸到了InclusionAI社區，可以直接前往下載。

在這里，除了Ring-2.5-1T外，還匯集了螞蟻團隊發布的Ming-flash-2.0等100多種優質模型。

傳送門：https://github.com/inclusionAI

這一里程碑式的開源，是螞蟻團隊在底層基礎設施與巔峰算法優化上的一次降維打擊。

從硬核奧數競賽到深度集成Agent框架，Ring-2.5-1T為開發「真·干活」的AI助手，提供了強悍的高性能底座。

人手一個超級智能體，不是未來，是當下正在發生的現實。

參考資料：YJH

Ring-2.5-1T，思更深，行更遠