螞蟻百靈大模型Ling 2.0系列迎來重大突破，其首款萬億參數級旗艦模型Ling-1T于近日正式亮相。作為螞蟻集團迄今研發規模最大、性能最強的非思考型通用語言模型，Ling-1T在復雜推理任務中展現出顯著優勢，多項基準測試結果刷新行業紀錄。
在權威數學競賽榜單AIME 25（美國數學邀請賽）的測試中，Ling-1T以平均4000余個Token的消耗量達成70.42%的準確率，超越同期測試的Gemini-2.5-Pro模型——后者需消耗5000余個Token，準確率為70.10%。這一結果印證了Ling-1T在有限計算資源下實現高效推理的能力。
技術架構層面，Ling-1T延續了Ling 2.0的模塊化設計，通過20萬億Tokens的高質量推理語料庫完成預訓練，支持最長128K的上下文窗口。研發團隊采用"中訓練+后訓練"的演進式思維鏈（Evo-CoT）技術，使模型在邏輯鏈構建和精準推理方面獲得質的提升。這種訓練范式通過動態調整思維鏈的深度與廣度，有效解決了傳統模型在復雜問題處理中的連貫性缺陷。
在工程實現上，Ling-1T創造了行業新標桿。作為已知規模最大的FP8混合精度訓練模型，其通過量化感知訓練技術將顯存占用降低30%，同時支持更靈活的并行計算策略，整體訓練效率提升超15%。相關混合精度訓練技術已部分開源，為行業提供了可復用的優化方案。
針對萬億參數模型的訓練穩定性難題，百靈團隊創新提出LPO（Linguistics-Unit Policy Optimization）策略優化算法。該算法以完整語義單元而非傳統詞元或序列作為優化顆粒度，既避免了細粒度訓練導致的語義斷裂，又克服了粗粒度訓練的反饋模糊問題。實驗數據顯示，LPO算法使模型在獎勵信號與行為輸出的語義對齊精度上提升了27%。
值得關注的是，螞蟻百靈團隊同步推進著另一條技術路線。其萬億參數級深度思考大模型Ring-1T的preview版本已于9月30日開源，該模型專注于復雜邏輯的遞歸推導能力。兩大模型形成互補：Ling-1T側重高效推理，Ring-1T強化深度思考，共同構建起螞蟻集團在通用人工智能領域的技術矩陣。
