Ling-2.5-1T 是什么：蚂蚁开源的万亿参数即时模型

它是什么：Ling 家族的旗舰即时模型

Ling-2.5-1T 是蚂蚁集团旗下 InclusionAI 团队（蚂蚁百灵）在 2026 年 2 月开源的万亿参数通用大语言模型。官方把它定位成 Ling 家族的旗舰“即时模型”，也就是不先输出一长串思考过程、直接给答案的非推理模型。和它一起发布的还有走推理路线的 Ring-2.5-1T，一个管快，一个管想得深。

官方的思路说得很直白：思考型模型抬高智能的上限，即时模型让更多人用得起、用得快。Ling-2.5-1T 要做的是后一件事，在效果不掉队的前提下，把响应速度和 token 消耗压下来。

关键规格：万亿总参数，每次只激活 63B

它的总参数量是 1T，每处理一个 token 只激活其中 63B，前代 Ling-1T 的激活参数是 51B。这意味着单次推理的计算量按 63B 算，而不是按万亿算，万亿模型才有跑起来的现实可能。预训练语料从上一代的 20T token 扩到 29T token，官方还在架构升级之后又用 9T 高质量 token 做了继续预训练。

架构上的改动是这次的重点。官方在 Ling 2.0 的基础上，通过增量训练把原来的 GQA 注意力换成 MLA 加 Lightning Linear 的混合结构，两者按 1:7 配比：一部分层改成线性注意力，拉高长文本解码的吞吐，剩下的层近似转成 MLA，压缩 KV Cache。打个比方，原来每一层都在全文里翻来翻去找线索，现在大部分层改成边读边做摘要，只留少数几层回头细查。官方给的测试是单机 8 卡 H200 或 H20-3e、batch size 64，生成越长，吞吐优势越明显，对比对象里有激活参数只有 32B 的 Kimi K2 架构。

上下文方面，训练窗口是 256K，再用 YaRN 外推到 1M。模型是纯文本进、纯文本出。仓库采用 MIT 协议，Hugging Face 页面上的许可证标注也是 MIT。

能力和成绩：省 token 是主打项

官方拿它和前代 Ling-1T、DeepSeek V3.2、Kimi K2.5、GPT 5.2 做了对比，说它在复杂推理和指令遵循上有明显优势。挑三项最能说明问题的来看，这些都是厂商自己公布的成绩。

第一项是 AIME 2026 数学基准。官方说它平均输出约 5890 个 token，成绩逼近平均要花 15k 到 23k token 的前沿思考模型。同样一道难题，输出开销差了三到四倍，对按量付费的人来说这是真金白银。第二项是通用工具调用基准 BFCL-V4，官方说它在开源模型里成绩靠前，另外在 Terminal-Bench 上也做了验证。第三项是长文本，官方在 16K 到 1M 的窗口上跑了 RULER 和 MRCR，说它好于 Kimi K2.5、DeepSeek V3.2 这类 MLA 或 DSA 架构的大尺寸即时模型，同时承认和 GPT-5.2、Gemini 3 Pro 这样的闭源模型还有差距。

怎么用、多少钱

权重放在 Hugging Face 和 ModelScope，官方说国内下载走 ModelScope 更快。自己部署的话，官方文档和 SGLang 的部署指南给了 SGLang 的路径，Hugging Face 页面也列了 vLLM 和 Transformers 的用法，加载时要带 trust_remote_code。要有心理准备：这是 BF16 的万亿模型，SGLang 指南的口径是至少两个节点，示例用的是两台 8 卡 H200。

不想自己养卡的话，官方说对话体验和 API 服务会在 Ling Studio 和 ZenMux 上线，官方 API 名称为 ling-2-5-1t。模型卡里没有给出 Ling-2.5-1T 的价格，要用 API 请以对应平台的定价页为准，计费单位通常是每百万 token，下单前自己核对一遍。

和谁比：对前代、对 Ring、对同档

对前代 Ling-1T，变化是全方位的：激活参数从 51B 到 63B，语料从 20T 到 29T，注意力从 GQA 换成混合线性，长文本窗口从 128K 到训练 256K、外推 1M。官方说 AIME 2026 上显著超过前代。

对同门的 Ring-2.5-1T，两者分工不同。Ring 是推理模型，官方公布它在 IMO 2025 拿到 35 分（满分 42），在 CMO 2025 拿到 105 分（满分 126）。要啃竞赛级数学，看 Ring；要低延迟、少 token，看 Ling。

对 DeepSeek V3.2 和 Kimi K2.5，官方强调的是复杂推理、指令遵循和超长文本上的优势。短板官方自己也写了：在复杂的智能体交互和长程任务上，它还落后于前沿模型，下一版会重点补长程执行和任务完成。

适合谁：值得试，但别当万能钥匙

写代码的人可以试一试。它做过大规模交互环境里的智能体强化学习，官方说能适配 Claude Code、OpenCode、OpenClaw 这类智能体产品。但按官方自己的说法，跨几十步的大工程还是前沿模型更稳，把它当响应快的助手更合适。做内容的人可以关注官方提到的创意写作和指令遵循提升，具体效果得拿自己的文风跑几轮才知道。

搞选型的人要算两笔账。一笔是硬件：万亿 BF16 自部署是多节点 GPU 的门槛，没有这个预算就等托管 API。另一笔是版本：1M 上下文是 YaRN 外推出来的，训练窗口只有 256K，真要把整库代码塞进去，务必拿自己的数据验证。另外蚂蚁在 4 月又发布了 Ling-2.6-1T，选型时两代放在一起比较更稳妥。

在 AI主线 看来，Ling-2.5-1T 值得关注的不只是跑分，而是把线性注意力塞进万亿模型之后，“生成越长越省”真的成了可以拿出来讲的卖点。