Fine-Tune Ant Group Ling / Ring with Ertas

Overview

Ant Group 透過旗下 inclusionAI 組織發布的 Ling 與 Ring 系列，是 2026 年架構上最具特色的開放權重發布之一。兩者都是 1 兆參數的模型——但透過不同的架構選擇，瞄準根本不同的使用情境。Ling-2.5-1T（2026 年 2 月 16 日發布）是非思考模式模型，具備 100 萬 token 的上下文視窗，專為長上下文推理工作流程設計，著重於上下文廣度而非延伸思考。Ring-2.5-1T（同日發布）則是全球首個混合線性架構的思考模型，專為推理密集型工作負載設計，著重於延伸思維鏈而非上下文長度。

Ring-2.5-1T 最受矚目的成績是在 IMO 2025（國際數學奧林匹亞）取得 35/42 的金牌等級表現——這個分數足以與頂尖人類選手競爭，並大幅超越大多數開放權重推理模型。Ring 在 CMO 2025（中國數學奧林匹亞）也達到金牌等級表現。在數學推理方面，Ring-2.5-1T 是目前最具實力的開放權重選擇之一，混合線性架構在相同規模下提供純 Transformer 替代方案無法企及的推理模式效率。

Ling 系列於 2026 年 4 月 23 日推出 Ling-2.6-1T 更新版——這是非思考變體的更新，在維持 1M 上下文定位的同時新增多項能力強化。Ling 與 Ring 系列被定位為互補而非競爭——團隊可以針對不同工作負載同時部署兩者，由 Ling 處理長上下文任務，Ring 處理推理密集型任務。

Ant Group 崛起為重量級開放權重供應商，是 2026 年產業中值得關注的發展。雖然螞蟻集團多年來一直透過阿里巴巴生態系投入 AI 研究，但 Ling/Ring 的發布代表該公司首次貢獻前沿規模的開放權重。其中混合線性架構創新尤其確立了螞蟻作為值得關注的研究實驗室——而不僅是部署工程組織。權重可在 Hugging Face 上的 inclusionAI 組織下取得。

Key Features

Ring-2.5-1T 的混合線性架構是技術上的重點亮點。標準 Transformer 注意力對序列長度具有平方級計算複雜度，使得延伸推理成本高昂。線性注意力變體（Mamba、RWKV、Hyena）具有線性複雜度，但歷史上品質較差。混合線性架構結合兩者——將完整注意力層與線性注意力層交錯，在大幅降低長推理軌跡計算成本的同時，保留注意力的品質優勢。Ring-2.5-1T 是這種模式在思考模型中首個前沿規模的實作，IMO 2025 金牌等級的成績證明混合方法不會犧牲推理品質。

IMO 2025 取得 35/42 金牌等級分數，使 Ring-2.5-1T 躋身最具實力的數學推理模型行列——無論是開放權重或專有模型。IMO 題目需要持續多步推理、嚴謹算術以及策略性問題解決能力，這些都是簡單模式比對無法達成的。Ring 的分數可與強勁的人類選手競爭，並大幅超越先前的開放權重推理模型。在另一個題目分布上，CMO（中國數學奧林匹亞）金牌等級表現進一步驗證了這項結果。

Ling-2.5-1T 的 1M 上下文結合非思考架構，瞄準不同的使用情境輪廓。Ring 著重推理深度，Ling 則著重上下文廣度——在兆級參數規模上進行長文件分析、多文件綜合、整個程式碼庫推理。非思考設計意味著 Ling 直接回應而不進行延伸思考，能對不需要思考模式的上下文密集型查詢產生快速回應。

Ling-2.6-1T 4 月更新版延續非思考系列並改進能力，同時保留 1M 上下文定位。對於目前在 Ling-2.5-1T 上執行生產工作流程的團隊而言，2.6 更新版能在不增加營運遷移成本的情況下提供可衡量的進步，因為部署介面與提示模式維持相容。

Fine-Tuning with Ertas

在 Ertas Studio 中對 Ling 與 Ring 進行微調，需要在 1T 參數規模下使用多 GPU 伺服器配置。在典型序列長度下，QLoRA 訓練約需要 600-700GB 總 VRAM，可在 8x A100 80GB 或 8x H100 80GB 伺服器上進行。

對於大多數沒有 8 GPU 伺服器存取權的團隊，建議的做法是教師-學生蒸餾。Ring-2.5-1T 作為推理教師特別有效——其 IMO 等級的數學推理能力可轉化為高品質的合成推理軌跡資料，再用於微調較小的基礎模型（Qwen 32B、Llama 70B、DeepSeek-R1 蒸餾變體），以單 GPU 部署成本獲得領域特化的推理能力。

Ring 的混合線性架構需要 Ertas Studio 的 MoE 感知訓練流程，外加針對線性注意力層的特定處理——這些複雜性平台都會自動處理，無需使用者設定。訓練完成後，Ertas Studio 可匯出為 GGUF 格式，並完整保留 Ring 或 Ling 的聊天範本，包括下游推論框架所需的架構規範。

在數學推理微調方面，Ring-2.5-1T 是開放權重生態系中最強的基礎模型。結合 Ertas Studio 對顯式推理軌跡訓練資料格式的支援，可建立教育、研究或技術領域的專門化數學推理模型——在這些領域中，IMO 等級的能力具有實際意義。

Use Cases

Ring-2.5-1T 瞄準數學推理、科學分析和結構化問題解決應用——在這些情境中，IMO 等級的推理能力確實重要。教育平台（高等數學輔導、競賽數學訓練）、研究輔助（數學文獻分析、定理驗證）和技術分析（工程計算、科學計算）都能從 Ring 結合強大推理能力與混合線性架構效率的優勢中受益。

Ling-2.5-1T 與 Ling-2.6-1T 瞄準長上下文、非推理工作負載。長文件分析（法律合約、法規申報、多卷技術文件）、多文件綜合（文獻回顧、競爭情報）以及整個程式碼庫推理，都能受益於 Ling 的 1M 上下文搭配兆級參數容量。非思考架構意味著回應速度快——適合對延遲敏感的生產服務。

對於先前部署獨立推理模型與聊天模型的團隊，Ling + Ring 提供了在統一 Ant Group 基礎架構下的互補配對。團隊可以將推理密集型查詢路由到 Ring，將上下文密集型查詢路由到 Ling，兩者透過相容的推論基礎架構部署。這在結構上類似於團隊先前部署 DeepSeek-R1 + DeepSeek-V3 的方式，但具備 Ant Group 的特定架構優勢。

對於對替代架構研究與部署感興趣的團隊，Ring-2.5-1T 是混合線性研究中特別有趣且可進入生產的成果。大多數混合線性研究模型都是規模較小的概念驗證；Ring 在 1T 規模下證明了該架構在前沿規模上可行，開啟了先前無法企及的生產部署選項。

Hardware Requirements

Ant Group Ling-2.5-1T 或 Ring-2.5-1T 在 Q4_K_M 量化下需要約 540GB 記憶體，可在 8x A100 80GB 或 8x H100 80GB 伺服器上執行。在配備 768GB 以上 RAM 的主機上可進行 CPU 推論，但吞吐量遠低於 GPU 部署。

對於較小型部署，Q3_K_M 量化（約 405GB）以些微品質換取較低記憶體需求，可在 4x H100 80GB 伺服器上充裕執行。不建議在生產部署中使用低於 Q3 的量化——Ring 引以為傲的推理能力依賴於跨長推理鏈的一致品質，而激進量化會以降低推理品質的方式累積錯誤，影響推理勝過影響直接回應生成。

在 Ertas Studio 中進行微調：Ling/Ring QLoRA 約需 600-700GB 總 VRAM（多 GPU 伺服器）。對於沒有該規模的團隊，使用 Ring 作為教師將數學推理蒸餾到較小基礎模型（Qwen 32B 在 40GB GPU、Llama 70B 在 48GB GPU），是在可部署基礎架構規模下捕捉 Ring 推理模式最實用的途徑。