DeepSeek V4 之后又被刷屏，蚂蚁集团 Ling-2.6-1T 来了：1T 参数 + 快思考 + Agent 工程级实力

继 DeepSeek V4 之后，又被蚂蚁集团的新模型 Ling-2.6-1T 刷屏了

开源地址：huggingface.co/inclusionAI/Ling-2.6-1T

线上直接使用：ling.tbox.cn

官方画像：Engineering-Task-Friendly

蚂蚁这次给 Ling-2.6-1T 的定位很明确——为 "Agentic" 时代而生，在执行类基准上全面占位：

• 
  

  Elite Reasoning ：在 AIME26 上领跑非思考类模型，难题求解极致克制

• First-Tier Agent Execution ：SWE-bench Verified、TAU2-Bench、BFCL-V4 拿到 SOTA 段位，写代码、调工具、跑多步工作流都顶得住

• Precision at Scale ：指令遵循（IFBench）和长上下文理解（256K MRCR）双双拿满，复杂环境下逻辑一致性稳得住

Artificial Analysis 上的 Intelligence Index 拿到 34，输出 token 大概 16M——同等智能水平下，它确实"话少"

跑分上和那些会展开长 CoT 的同段位选手打平，但 token 省得多，工程化场景下这个差距会被放大

因为：Ling-2.6 是把 token 效率作为VIP来设计，靠"快思考"机制直接给答案

官方给了一个词叫 Contextual Process Redundancy Suppression（上下文冗余抑制），后训练阶段专门针对"模型一上来就长篇 CoT"这种行为做了压制

为什么要这么做？因为现在很多模型病了——

• 一句"今天周几"它先 OOOO 思考 3000 token

• 一个改 bug 的指令它能给你写一篇议论文

• 你工程线上跑，Token 烧了不少，结果还是不出彩

老章觉得：对 Agentic 工作流来说，会克制比会思考更值钱

vLLM 本地部署

vLLM 一条命令跑起来：

pip install uv
uv venv ~/my_ling_env
source ~/my_ling_env/bin/activate

 git clone https://github.com/vllm-project/vllm.git
cd vllm
VLLM_USE_PRECOMPILED=1 uv pip install --editable . --torch-backend=auto

 vllm serve $MODEL_PATH \
    --port $PORT \
    --served-model-name my_model \
    --trust-remote-code --tensor-parallel-size 8 \
    --gpu-memory-utilization 0.85

蚂蚁官方更推荐 SGLang，且对 MTP（多 token 预测）做了专门的 patch：git clone -b ling_2_6 git@github.com:antgroup/sglang.git

pip install "sglang[all]>=0.5.10.post1" --prerelease=allow


 sglang serve \
  --model-path inclusionAI/Ling-2.6-1T \
  --tp-size 8 \
  --max-running-requests 32 \
  --mem-fraction-static 0.92 \
  --chunked-prefill-size 8192 \
  --context-length 262144 \
  --trust-remote-code \
  --tool-call-parser qwen25

inferencerlabs 直接出了 Ling-2.6-MLX-3.6bit-INF：

huggingface.co/inferencerlabs/Ling-2.6-MLX-3.6bit-INF

实测数据（M3 Ultra 512 GiB）：

• 文本推理 ~11.3 tokens/s @ 1000 tokens ，占用 431 GiB

• Q3.6-INF 用 data-agnostic INF 量化方法，在 512 GiB 内存预算内追求最大通用准确率

• Token Accuracy 接近 95%，且对比同体量模型（Kimi K2.6）丝毫不虚

API调用每日有 50 万 token 的额度

ling.tbox.cn/open

API 可以很方便地接入到 Claude Code

方法：

将以下内容添加至 ~/.bashrc 或 ~/.zshrc：

export ANTHROPIC_BASE_URL=https://api.ant-ling.com/anthropic
export ANTHROPIC_AUTH_TOKEN= 
        

更新环境变量：

source ~/.zshrc # 或 source ~/.bashrc

通过 --model 参数指定要使用的百灵模型，例如：

# 使用 Ling-2.6-flash（通用对话，速度快）
claude --model Ling-2.6-flash 

 # 使用 Ling-2.6-1T（大型代码库理解、长上下文分析）
claude --model Ling-2.6-1T 

 # 使用 Ring-1T（复杂推理、代码调试）
claude --model Ring-1T

光看跑分太干，蚂蚁官方放了几个 Demo，节选2个我觉得最能讲清楚定位的：

Demo 1：开源即 Agent-Ready

它对自己的核心承诺是 token efficiency：

• Lower token overhead ：要 intelligence，不要长链条 CoT

• Reliable multi-step execution ：指令、工具、上下文、工作流四条线都能稳住

• Production-ready deployment ：从代码生成到 bug 修复，主流 Agent 框架兼容到位

官方放了一段在 @opencode 上的 Agentic 能力演示：

我看完最大的感受，它接进 Agent 框架后，没有那种"先思考五分钟再动手"的慢热感，工具调用、文件读写、任务拆解之间衔接很丝滑

Demo 2：Agent + 知识库的硬实力

这个 Demo 主打信息蒸馏 + 复杂内容检索：

官方拿《百年孤独》前两章做了一次知识库实体抽取测试，演示连接长期记忆工具后，它如何作为一个高精度记忆层为 Agent 工作流服务

实际意义对应到工作里就是：会议纪要、群聊记录、PRD 文档，丢一堆杂乱材料进去，它能直接给你出结论 + 待办 + 周报草稿 + Wiki——而不是"一段总结然后让你自己梳理"

实测

我在Ling Studio官网和接入到Claude Code都实际体验了一下

第一感觉就是输出速度太快了

每秒 160 Tokens 起步，快如闪电⚡

实测1：

> 请用 HTML5、CSS3 和纯 JavaScript（Canvas）编写一个单文件动态网页，实现一场绚丽多彩的烟花盛况。要求如下： 
> 1. **视觉效果**：烟花爆炸要有多种形态（如经典球形、流星雨拖尾、心形等），每一颗烟花的颜色使用 HSL 随机生成，保证色彩极其炫丽鲜艳，并且有发光/荧光效果。背景设置为带有稀疏星星的深色夜空。 
> 2. **物理逻辑**：每一颗粒子都要受重力和空气阻力影响，呈现真实的抛物线轨迹，并且在消散前有亮度衰减和闪烁效果。 
> 3. **交互设计**：系统需要自动、随机地在屏幕下方发射烟花。同时，当用户在屏幕上任何位置点击（或触摸）时，能立刻响应该坐标并在该位置燃放一朵指定烟花。 
> 4. **性能和代码格式**：使用 `requestAnimationFrame` 保证动画流畅运行。请将所有的 HTML、CSS 和 JS 代码整合在一个独立且完整的 `index.html` 文件中，方便我直接运行。

效果如下：

• ✅ 8种烟花爆炸形态

• ✅ HSL随机鲜艳色彩 + 辉光效果

• ✅ 重力 + 空气阻力物理模拟

• ✅ 自动随机发射 + 点击发射

• ✅ requestAnimationFrame 流畅动画

• ✅ 背景闪烁星星

实测2：生成一套数据分析经典数据集，或使用已知知名数据集，进行详细的数据分析全流程操作，生成一份图文并茂的可本地预览的 HTML 数据分析网站

它写了1400多行代码，技术栈：Dash + Plotly + Pandas + Bootstrap

 完成的功能模块

 1. 数据概览页面

 -  数据集基本信息（150样本，4特征，3类别）
-  统计信息卡片（样本数、特征数、类别数、平均相关性）
-  原始数据表格（带分页）
-  描述性统计表格
-  类别分布柱状图

 2. 单变量分析

 -  特征分布直方图（4个特征，按类别分组）
-  箱线图展示
-  密度分布图
-  小提琴图（按类别分组）

 3. 双变量分析

 - ️ 交互式散点图（可切换X/Y轴特征）
- ️ 特征相关性热力图
-  散点图矩阵（展示所有特征两两关系）

 4. 多变量分析

 -  平行坐标图
-  雷达图（各类别特征均值对比）
-  3D散点图（可切换三个轴特征）
-  Andrews曲线（高维数据模式识别）

 5. 统计分析

 -  按类别分组的箱线图
-  特征分布小提琴图
-  详细统计摘要表（包含均值、标准差、方差等）

 6. 机器学习预览

 -  K-Means聚类分析（k=3）
-  PCA降维可视化（解释95%方差）
-  聚类结果与实际类别对比表

 

最后再贴个网友@Adam实测： 生成一个关于 Ling-2.6-1T 模型的介绍页面，有高级感和科技感

视频里那种版式语言、留白比例、字号节奏，看着像设计师交付的成品稿

这背后印证了官方那句话——它擅长在"明确风格 + 明确受众 + 明确工作流"的指令下产出惊艳结果

模糊指令丢进去会得到平凡结果，但只要你愿意把 prompt 写成给同事下 brief 的样子，它的上限非常高

用法心法：3 个必须知道的高手玩法

跟着官方 README 和 Demo 摸了一圈，我把心法浓缩成 3 条：

心法一：温度调到 0.8 左右

通用任务推荐 0.8（比常见模型略低），代码生成任务建议更低

心法二：把工作流写进 prompt

别只说"写个方案"，要写：

1. 先理解目标

2. 列出三种可能的框架

3. 选择最优框架

4. 填充内容

5. 最后写一句话总结

心法三：先 Plan 再 Execute

抽象任务（如"帮我做个竞品分析"）的黄金姿势是两轮对话——

• 第一轮：「请列出你完成这个任务的具体步骤和计划」

• 第二轮：（确认/修改后）「请严格按照这个计划开始执行」

因为 Ling-2.6-1T 是非思考模型，让你来定义思考的路径，反而能让它的执行精度比那些"自己想很多"的模型更稳

总结

适合谁用：跑 Agent 工作流的开发者、被杂乱材料淹没的知识工作者、对 token 成本敏感的工程团队、喜欢"先 Plan 后 Execute"受控玩法的高级用户

慎用场景：期待模型自动深度思考、期望生成复杂具象 SVG 多模态、不愿写清楚 prompt 的用户——它默认是「快思考」，对模糊指令不友好

蚂蚁这次走的路线很清楚：让模型听话、让模型干活、让模型省 token

Agent 时代的工程模型，就该长这样

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！