inclusionAI/Ring-2.6-1T · Hugging Face

来源：https://huggingface.co/inclusionAI/Ring-2.6-1T

🤗Hugging Face (https://huggingface.co/inclusionAI) | 🤖ModelScope (https://modelscope.cn/organization/inclusionAI) | 🐙ling.tbox.cn (https://ling.tbox.cn/chat)

重磅推出 Ring-2.6-1T：一款专为真实世界复杂任务场景设计的万亿参数旗舰推理模型，现面向开发者、研究者及企业环境开放，支持验证、适配与进一步开发。

Ring-2.6-1T 的目标并非单纯追求更大的参数规模，而是解决大模型正在进入的真实生产环境：智能体工作流、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，模型不仅需要“回答问题”，更需要理解上下文、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。

Ring-2.6-1T 在三个方面实现了关键升级：

• 全面增强的 Agent 执行能力：从“能回答”进化为“能执行”，在多步骤任务、工具协同、上下文规划及复杂工作流推进中表现更稳定。
• 推理强度机制：支持 high 和 xhigh 两种推理强度级别，开发者可根据任务复杂度灵活调整思考深度，在效果、速度与成本之间取得更好平衡。
• 创新异步强化学习训练范式：采用 Async RL 架构结合 IcePop 算法，提升万亿参数模型长周期强化学习的训练效率与稳定性，为 Agent 能力与复杂推理提供基础支撑。

https://huggingface.co/inclusionAI/Ring-2.6-1T#model-downloads 模型下载

您可以从下表下载 Ring-2.6-1T。如果您位于中国大陆，我们也在 ModelScope 上提供了模型，以加速下载过程。

注意：如果您对之前的版本感兴趣，请访问 Huggingface (https://huggingface.co/inclusionAI) 或 ModelScope (https://modelscope.cn/organization/inclusionAI) 上的历史模型集合。

https://huggingface.co/inclusionAI/Ring-2.6-1T#agent-capability-from-understanding-tasks-to-continuously-executing-tasks Agent 能力：从“理解任务”到“持续执行任务”

在真实的业务系统中，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 针对此类场景专门增强，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 在真实任务执行评测中表现卓越：PinchBench 得分 87.60，显著高于 GPT-5.4 xHigh 和 Gemini-3.1-Pro high；ClawEval 得分 63.82，在同类模型中位居前列；Telecom 场景 Tau2-Bench 得分 95.32，与最高分模型差距不到 1 分，展现了其在复杂业务流程、工具协作及行业特定任务中的稳定执行能力。

这意味着 Ring-2.6-1T 不仅理解用户意图，更能实际推动任务在真实工作流中持续执行。无论是在个人助手 Agent、企业流程自动化，还是编码 Agent 场景中的代码生成、任务分解与工程协作中，Ring-2.6-1T 都更像一个可执行、可反馈、可迭代的工作流引擎。

https://huggingface.co/inclusionAI/Ring-2.6-1T#reasoning-effort-high-and-xhigh-configurations–fast-when-needed-deep-when-required 推理强度：High 与 xHigh 配置——需要时快速，必要时深入

在实践中，并非所有任务都需要相同层次的推理资源。一项格式转换或信息整理任务，与一道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 high 和 xhigh 两种推理强度级别。

• high 面向高频 Agent 工作流设计，适用于多轮交互、工具协作、任务分解及生产级默认调用。它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、更具成本效益。
• xhigh 专为数学、科研、复杂逻辑分析及多路径探索等高难度任务打造，赋予模型更广阔的推理空间。在具有挑战性的推理基准测试中，Ring-2.6-1T xhigh 展现出强大的能力上限：ARC-AGI-V2 得分 66.18，超越 Gemini-3.1-Pro high 和 Claude-Opus-4.7 xhigh；AIME 26 得分 95.83，与多个领先模型持平；GPQA Diamond 得分 88.27，体现了扎实的专业知识理解与复杂推理能力。

借助 high 与 xhigh 配置选项，开发者可根据任务特征动态分配推理资源：日常工作流使用 high 实现更高效率，复杂推理任务切换至 xhigh 释放模型全部能力上限。

https://huggingface.co/inclusionAI/Ring-2.6-1T#asynchronous-async-rl-training–icepop-algorithm-supporting-stable-reinforcement-learning-for-trillion-parameter-models 异步 Async RL 训练 + IcePop 算法：支持万亿参数模型的稳定强化学习

对万亿参数模型进行强化学习训练本身就是一项巨大的工程挑战。在传统同步 RL 训练中，策略生成（rollout）与梯度更新紧密耦合，导致：

• GPU 等待：GPU 资源利用率低，大量算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：长时间训练中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，将策略采样与参数更新解耦为独立流水线，实现：

• 训练吞吐量与资源利用率显著提升：采样与更新并行执行，GPU 利用率大幅提高，训练效率提升数倍；
• 支持更长的训练周期：解耦架构天然适配大规模、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 的 IcePop 算法应用于异步 RL 训练过程，解决了训练不稳定性问题。这一训练范式的创新，使我们能够对万亿参数模型进行充分且稳定的强化学习优化，将 Agent 执行能力与推理能力推向新的上限。我们将在后续技术报告中公布 Stick-Breaking 算法结合 Async 架构的详细内容。

https://huggingface.co/inclusionAI/Ring-2.6-1T#quickstart 快速开始

https://huggingface.co/inclusionAI/Ring-2.6-1T#%F0%9F%9A%80-try-online 🚀 在线体验

https://ling.tbox.cn/chat

https://huggingface.co/inclusionAI/Ring-2.6-1T#deployment 部署

https://huggingface.co/inclusionAI/Ring-2.6-1T#sglang SGLang

https://huggingface.co/inclusionAI/Ring-2.6-1T#environment-preparation 环境准备

我们稍后会将模型提交至 SGLang 官方发布版，现在可以按照以下步骤准备环境：

`` git clone -b ling_2_5 [email protected]:antgroup/sglang.git cd sglang

安装 Python 包

pip install –upgrade pip pip install -e “python” ``

https://huggingface.co/inclusionAI/Ring-2.6-1T#run-inference 运行推理

SGLang 目前同时支持 BF16 和 FP8 模型。具体取决于 \{MODEL\_PATH\} 中模型的 dtype。

以下示例展示了如何使用多 GPU 节点运行 Ring-2.6-1T，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

此仅为示例，请根据实际环境调整参数。

``

• 客户端：

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?"}]}'

https://huggingface.co/inclusionAI/Ring-2.6-1T#license 许可证

本代码仓库采用 MIT 许可证 (https://github.com/inclusionAI/Ring-V2.5/blob/main/LICENSE)。

– (https://ospo-insights.oss-cn-hangzhou.aliyuncs.com/iai-hf-models/Ring-2.5-1T.gif)