Ring-2.6-1T核心功能揭秘Agent执行能力如何改变AI工作流【免费下载链接】Ring-2.6-1T项目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ring-2.6-1TRing-2.6-1T是一款万亿参数级旗舰推理模型专为解决现实世界复杂任务场景而设计现已向开发者、研究人员和企业环境开放支持验证、适配与进一步开发。该模型不仅追求参数规模的突破更聚焦于大模型进入实际生产环境时面临的核心挑战Agent工作流、工程开发、科研分析、复杂业务系统及企业自动化流程。在这些场景中模型需要的不仅是回答问题更要理解上下文、规划步骤、调用工具、持续执行并在长周期任务中保持稳定性。 Agent执行能力从能回答到能执行的跨越在真实业务系统中模型面对的往往不是孤立的问答而是需要工具协作的连续、多轮、复杂任务。Ring-2.6-1T针对此类场景进行了专项增强实现了更稳定的任务分解、步骤规划、工具调用、错误修正与上下文延续。从基准测试结果来看Ring-2.6-1T high在真实世界任务执行评估中表现卓越在PinchBench上达到87.60分显著高于GPT-5.4 xHigh和Gemini-3.1-Pro high在ClawEval上获得63.82分跻身同类模型前列在电信场景Tau2-Bench中达到95.32分与最高分模型差距不足1分这些数据充分证明了其在复杂业务流程、工具协作和行业特定任务中的稳定执行能力。这意味着Ring-2.6-1T不仅能理解用户意图更能在实际工作流中持续推动任务进展。无论是个人助理Agent、企业流程自动化还是代码生成、任务分解等编码Agent场景中的工程协作Ring-2.6-1T都更像一个可执行、能反馈、会迭代的工作流引擎。 推理强度机制按需调配的智能资源管理实际应用中并非所有任务都需要同等水平的推理资源。格式转换或信息整理任务与数学竞赛题或复杂系统分析对模型思考深度的要求截然不同。为此Ring-2.6-1T引入了可调节的推理强度机制支持两种推理强度级别high和xhigh。high高效实用的日常工作模式high模式专为高频Agent工作流设计适用于多轮交互、工具协作、任务分解和生产级默认调用。在保持高任务完成率的同时减少不必要的推理token开销使模型在实际工作流中更快、更稳定且更具成本效益。xhigh攻坚克难的深度思考模式xhigh模式专为数学、科研、复杂逻辑分析和多路径探索等高难度任务量身定制为模型提供更广阔的推理空间。在挑战性推理基准测试中Ring-2.6-1T xhigh展现出强大的能力上限在ARC-AGI-V2上获得66.18分超越Gemini-3.1-Pro high和Claude-Opus-4.7 xhigh在AIME 26上达到95.83分与多个领先模型持平在GPQA Diamond上获得88.27分体现出稳健的专业知识理解和复杂推理能力通过high和xhigh配置选项开发者可根据任务特性动态分配推理资源日常工作流使用high模式以实现更高效率复杂推理任务切换至xhigh模式以释放模型全部能力上限。 异步强化学习训练 IcePop算法万亿模型的稳定训练基石在万亿参数模型上进行强化学习训练本身就是一项巨大的工程挑战。传统同步RL训练中策略生成(rollout)和梯度更新紧密耦合导致GPU等待GPU资源利用率低大量计算能力浪费在同步等待上训练吞吐量不足训练周期延长迭代速度受限长周期训练不稳定性长时间训练容易出现策略崩溃或奖励信号退化Ring-2.6-1T采用异步(Async)强化学习训练架构将策略采样和参数更新解耦为独立流水线实现显著提升训练吞吐量和资源利用率采样和更新并行执行大幅提高GPU利用率训练效率提升数倍支持更长训练周期解耦架构天生适合大规模、长时间持续训练消除同步瓶颈导致的训练中断在此基础上我们将Ring-1T中的IcePop算法应用于异步RL训练过程解决训练不稳定性问题。这种训练范式的创新使我们能够在万亿参数模型上进行充分且稳定的强化学习优化将Agent执行能力和推理能力推向新高度。我们将在即将发布的技术报告中详细介绍Stick-Breaking算法与Async架构的结合细节。 快速开始在线试用您可以通过访问https://ling.tbox.cn/chat在线体验Ring-2.6-1T的强大功能。本地部署SGLang部署方案环境准备我们将在后续将模型提交至SGLang官方发布目前可按以下步骤准备环境git clone -b ling_2_5 gitgithub.com:antgroup/sglang.git cd sglang # 安装Python依赖包 pip install --upgrade pip pip install -e python运行推理SGLang目前支持BF16和FP8模型具体取决于${MODEL_PATH}中模型的数据类型。以下是使用多GPU节点运行Ring-2.6-1T的示例其中主节点IP为${MASTER_IP}服务器端口为${PORT}启动服务器# 节点0: python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 0 # 节点1: python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 1 # 节点2: python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 2 # 节点3: python -m sglang.launch_server --model-path $MODEL_PATH --tp-size 8 --pp-size 4 --dp-size 1 --trust-remote-code --dist-init-addr $MASTER_IP:2345 --port $PORT --nnodes 4 --node-rank 3 # 这只是示例请根据实际环境调整参数客户端调用curl -s http://${MASTER_IP}:${PORT}/v1/chat/completions \ -H Content-Type: application/json \ -d {model: auto, messages: [{role: user, content: What is the capital of France?}]} 许可证信息本代码仓库采用MIT许可证。通过上述核心功能的创新Ring-2.6-1T正在重新定义AI在实际工作流中的角色从被动响应转变为主动执行的智能Agent。无论是提升日常工作效率还是突破复杂问题的解决能力Ring-2.6-1T都为开发者和企业提供了强大而灵活的AI工具。随着技术的不断演进我们期待看到更多基于Ring-2.6-1T构建的创新应用和解决方案。【免费下载链接】Ring-2.6-1T项目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ring-2.6-1T创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
