万亿思考模型夺下IMO金牌，无缝接入OpenClaw！一句话手搓丐版PS

新智元报道

编辑：编辑部

【新智元导读】万亿级思考模型在开源！Ring-2.5-1T重磅出世，夺下IMO金牌。全新Ling 2.5架构，让它具备了深度思考、长程执行强大能力，真正进化为「通用智能体时代」的基座。

2026年的AI圈，已经不是在「卷」，是在玩命加速！

二月才过一半，硅谷三巨头轮番轰炸，直接掀了桌子——

Anthropic Claude 4.6先声夺人，OpenAI GPT-5.3 Codex紧随其后，谷歌反手掏出全新Gemini 3 Deep Think。

不得不让人感慨，这简直是神仙打架的「诸神黄昏」。

就在闭源巨头们于巅峰对决之际，开源社区也迎来了一场属于自己的「技术核爆」。

这一次，出场的是中国队！

全球首个！

万亿级混合线性「思考模型」重磅开源

没有任何预热，全球首个万亿级混合线性架构「思考模型」——Ring-2.5-1T直接宣布开源。

相较于上一代Ring-1T，新模型在长文本生成、数学推理、Agent长程执行方面，实现了阶跃式的进步。

最令人振奋的，莫过于它全面兼容了当下炙手可热的OpenClaw生态，以及Claude Code等主流智能体框架。

无缝接入Claude Code，丝滑Vibe Coding

为了证明这次Ring-2.5-1T真能真正帮忙干活， 我们手搓了几个案例。

前段时间，外国网友Christopher Ehrlich，用AI把《模拟城市》（1989年版）的C语言代码库，移植到了TypeScript。

而且全程基本没看具体代码，也没怎么干预。

受此启发，第一个测试案例是将jsx文件转化为可以直接开箱即用的本地APP。

Ring-2.5-1T在Claude Code中运行了约30分钟，最终完整迁移了所有功能。

从规划到迁移完成，测试中基本只要确认权限即可，确实完全不需要看代码。

Ring-2.5-1T完成了文件创建、编译的全部工作，涉及文件数量10多个：

现在，本地的一个极简的图片应用完成了，可裁剪、拼接、添加文字——

事已至此，不如再让它给这个应用加点儿功能。

没想到只要10分钟，一个简易版「PhotoShop」桌面应用真完成了。

Ring-2.5-1T实现了全部9种工具：

选择 - 基础选择模式

✂️ 裁剪 - 拖拽定义裁剪区域，支持视觉预览

文字 - 点击添加文字对象，可自定义字体、大小、颜色

️ 画笔 - 自由手绘，支持调节粗细和颜色

橡皮擦 - 擦除图像区域，支持调节大小

⬜ 形状 - 绘制矩形、圆形、线条，支持描边选项

️ 模糊 - 局部模糊笔刷，基于盒式模糊算法

吸管 - 从画布拾取颜色

拼接 - 支持水平/垂直方向多图拼接

这种完成度可以说相当高了。

在这个项目里，Ring-2.5-1T不仅创建了基于React的功能完备图像编辑器，代码量1572行，还一口气生成了:

• PixelEditor.app - 可直接运行的应用（已复制到桌面）

• PixelEditor-1.0.0-arm64.dmg - DMG安装包（91MB）

• PixelEditor-1.0.0-arm64-mac.zip - ZIP压缩包（88MB）

完整的功能体验视频如下。

但即便看不懂代码，大家能感觉到页面设计的确简陋，有待改进。

所以，在Claude Code中，又交代了Ring-2.5-1T一句：

重新设计页面，要简洁有科技感

这下视觉风格和布局马上变顺眼多了：

除此之外，接入OpenClaw后，它还可以直接帮你解读文献，并且用Java代码阐释技术逻辑。

代码实力逆天

接下来，再让Ring-2.5-1T生成一个网页，阐释「光的折射」背后的原理，用于课堂教学。

可以看到，在它的思考过程中，清晰架构了这个课题的核心内容。

而且，它还制作了一个可互动的演示，并配上了使用指南。

最终，我们就得到了一个精美的在线教学工具。

再比如，让它制作一个英文交互式单词卡，每个单词要附上音标、释义、例句。

结果，Ring-2.5-1T在很短时间内，交出了一份完美的答卷。

硬刚奥数级难题，「洗车」图灵测试已过

最后，再来看看Ring-2.5-1T，在奥赛级数学难题上的实力如何？

如下，是一道非常经典的「数论与代数」结合的竞赛题，考察了数学直觉中的「破局思维」。

单纯看n^4 + 4^n，尤其是奇数代入时，很容易让人产生一种「它可能是随机生成质数」的错觉。

在Ring-2.5-1T解答中，立即捕捉到了n^4 + 4^n代数结构，并准确调用工具：Sophie Germain恒等式。

找到因式分解只是第一步，接下来，整个论证过程是最亮眼的一环。

81秒全程思考，Ring-2.5-1T多次展现了类似人脑的「自我辩证」和「实时纠偏」的能力。

与Ring-1T相比，这一次，Ring-2.5-1T不仅拿下了奥数金牌，推理能力更强，数学解答更精准，还能处理模糊约束和优化问题。

比如，最近的洗车测试成了AI圈新乐子。

问题是这样的：

洗车店距离我家只有100米，我要洗车，开车去还是走路去？

ChatGPT/Claude众口一词：「走路去！」

但走路虽好，车洗不了。而这两顶级AI根本没考虑大部分人去洗车店的目的：洗车。

这里提问的陷阱不在于距离，而是目的，考的不是计算能力，而是读懂弦外之音的「高阶推理」能力。

而Ring-2.5-1T一次就识别其中的关键，建议：果断开车去！

核心逻辑：洗车的本质是服务车辆，而非服务人。

唯一例外：如果您没有车，只是去洗车店咨询（比如想买洗车券），那走路完全合理——但根据问题描述，您明确说「我想洗车」，默认您有车需清洗。

说到理解「言外之意」，考试题无疑「处处有陷阱」，猜不透题干意图，往往中招。

我们用一道地理题测试一下Ring-2.5-1T的「考商」，原题是这样的：

选项有四个：

A. 避挡风沙 B. 遮阳挡雨 C. 防外人跌入 D. 美化建筑

所有选项貌似都有道理，但只有一个正确答案——C。

Ring-2.5-T这次真懂「地理」：

有意思的是，看完推理过程之后，你也心服口服：

刷爆开源SOTA，夺下奥数金牌

这种强大的实战落地表现，得益于模型底层硬核推理能力的全面爆发。

在多项基准测试中，Ring-2.5-1T在数学推理、代码生成、逻辑推理、智能体任务执行，刷新了开源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。

这足以证明，Ring-2.5-1T具备了强大复杂推理与跨任务泛化的能力。

在数学、代码、逻辑等高难推理任务，以及智能体搜索、软件工程、工具调用等长程任务执行上，Ring-2.5-1T均达到开源领先水平

不仅如此，Ring-2.5-1T在国际顶级数学赛事中，展现出极强的统治力：

• IMO 2025：以35分的成绩斩获奥赛金牌；

• 中国奥数CMO 2025：取得105分，远超国家集训队选拔线（87分）的成绩。

GitHub公开的结果中，Ring-2.5-1T在推理逻辑严谨性、高级数学证明技巧、答案表述的完整性，全面碾压Ring-1T。

IMO 2025 Q1答题部分结果

此外，在极具挑战的「智能体搜索任务」Gaia2-search上，Ring-2.5-1T也拿下了开源SOTA。

它在多步规划生成，以及工具调用方面，兼具卓越的效率和准确性。

随着模型的开源，Ring-2.5-1T也一下子成为了全网的焦点。

如今，Ring-2.5-1T以金牌级推理能力+超强执行长程任务能力，强势入局决赛圈，确立了其作为「通用智能体时代基座」的地位。

核心技术揭秘：万亿级混合线性注意力

为何Ring-2.5-1T在万亿参数规模下，还能攻克「深度思考」推理慢、成本高的痼疾？

其实，答案就藏在其首创的「Ling 2.5架构」之中。

1:7黄金配比：MLA + Lightning Linear

在通用智能体世代，模型不仅要「想得深」，还要「动得快」。

如今，深度思考和长程智能体，正成为LLM的核心工作范式，因此对基座本身的编码效率，提出了近乎苛刻的要求。

传统Transformer在面对长文本时，计算开销往往爆炸，这让万亿级模型「深度思考」变得非常昂贵。

为此，Ling 2.5架构在2.0版本基础上，引入了革命性的「混合线性注意力架构」（Hybrid Linear Attention）。

在架构方面，蚂蚁团队通过增量训练，将上一代GQA（分组查询注意力）升级为——

MLA（多头线性注意力）+ Lightning Linear结构，采用了1:7的比例。

基于此前的Ring-flash-linear-2.0技术路线，首先将部分GQA层改造为Lightning Linear，提升长程推理的吞吐能力。

为进一步压缩KV Cache，将剩余的GQA层转换为MLA。

并且，针对QK Norm（查询-核归一化）和Partial RoPE（旋转位置编码）等特性进行了精细化适配，从而在混合注意力架构下增强Ling 2.5的表达能力。

升级后的Ling 2.5激活参数，从51B增加至63B。即便如此，其推理效率仍远超前代。

实测显示，与KIMI K2（激活参数32B）相比，新架构在长视野任务执行的吞吐量上仍保持明显优势。

且生成长度越长，该吞吐量优势越显著。

在超32K生成长度下，Ling 2.5访存规模降低超10倍，生成吞吐飙升3倍还要多。

在不同生成长度下的效率对比示意：生成长度越长，吞吐优势越明显

RL训练：不仅要结果，更要逻辑

不仅如此，团队还将混合线性注意力架构，在强化学习方面进行了大规模扩展。

Ring-2.5-1T在数学、编码、智能体等任务上的「神勇」表现，源于其训练底层逻辑的重构。

不同于只看结果的传统训练，Ring-2.5-1T还引入了「密集奖励」（Dense Reward）机制，严密控制思考过程中每一步逻辑。

这种对推理路径的精雕细琢，显著减少了逻辑漏洞，让模型Ring-2.5-1T掌握了更高阶的数学证明技巧。

通过大规模全异步Agentic RL训练，Ring-2.5-1T培养出极强的多步规划、自主执行的能力。

由此，Ring-2.5-1T可以轻松接入Claude Code、OpenClaw等AI助手智能体编程框架。

总言之，Ring-2.5-1T背后万亿级混合线性注意力架构的创新，重塑了「深度思考」和「长程推理」的边界。

通用Agent基座时代来临

继Ring-1T之后，Ring-2.5-1T是蚂蚁团队，在推理模型结构与行动能力上的进一步探索。

得益于Ling 2.5架构，万亿参数的Ring-2.5-1T有效缓解了长文档处理、复杂任务规划中的计算瓶颈。

目前，Ring-2.5-1T的权重和推理代码已在Hugging Face与ModelScope上正式上线。

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

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

同时，模型也登陆到了InclusionAI社区，可以直接前往下载。

在这里，除了Ring-2.5-1T外，还汇集了蚂蚁团队发布的Ming-flash-2.0等100多种优质模型。

传送门：https://github.com/inclusionAI

这一里程碑式的开源，是蚂蚁团队在底层基础设施与巅峰算法优化上的一次降维打击。

从硬核奥数竞赛到深度集成Agent框架，Ring-2.5-1T为开发「真·干活」的AI助手，提供了强悍的高性能底座。

人手一个超级智能体，不是未来，是当下正在发生的现实。

参考资料：YJH

Ring-2.5-1T，思更深，行更远