众所周知，国庆不止是一个节日，还是Q4的开始。

Anthropic发了Claude4.5、DeepSeek发了V3.2；OpenAI发了Sora2、入股AMD，举办了Dev Day，要搞AI操作系统。

而蚂蚁的节奏更紧凑：9 月 30 日，开源全球首个万亿参数推理大模型 Ring-1T-preview；10月9日，再甩出 Ling 2.0 旗舰非思考模型——万亿参数开源大模型 Ling-1T。10天之间，国内万亿参数俱乐部从两位成员（Kimi K2、Qwen3-Max）直接扩容到三位。

Ling-1T和Ring-1T-preview都采用蚂蚁自研的Ling 2.0的架构，蚂蚁团队将模型扩展到了万亿的参数规模，都用了超过20T的高质量语料库。

从官方披露的榜单数据来看，Ling-1T与DeepSeek-V3.1-Terminus、Kimi-K2-Instruct-0905、GPT-5-main、Gemini-2.5-Pro这些国内外最具代表的模型做了横评。其中，在代码生成、软件开发、竞赛数学、专业数学、逻辑推理等推理基准测试上，在绝大部分的项目上都取得了领先。

而作为1T 语言基座的思考模型版本 ，Ring-1T-preview在大规模强化学习训练的早期，就已经表现出强大的自然语言推理思考能力。

在与同类大模型的多项横评中，Ring-1T以纯自然语言推理的能力，逼近了 GPT-5 with thinking (no tools) 的水平。其中在竞赛级代码生成任务CodeForces 中，Ring-1T-preview拿下了最高分。

蚂蚁百灵官方公众号说，他们还在持续开展更多高难度推理任务的测试验证，包括ICPC、CCPC 等编程竞赛，以进一步挖掘这个万亿思考模型的潜能。

百灵大模型与它的“非共识”

本次的两个超大模型的发布，其实很早就在蚂蚁内部的部署之中。

在今年5月27日的蚂蚁技术日上，百灵团队就表示内部在训练一个Max级别的模型，要等到性能“比肩DeepSeek”的时候就会发布。

蚂蚁百灵大模型负责人周俊在回答记者问题的时候表示，虽然大家都认为Scaling Law遇到瓶颈了，但他们团队持有一种“非共识”，即Scaling这件事情还没有终结。

四个月后，Ring-1T-preview和Ling-1T的发布，印证了百灵大模型团队此前的观点：Scaling is all you need.

百灵团队提出了一个专有的技术概念：Ling Scaling Law。它可以自动计算最优参数配置，支持精准外推预测，从而帮助团队进行架构选型，保证即便在巨大计算量下依然保持可扩展的架构效率。此外，蚂蚁还自研了WSM调度器（Warmup-Stable-Merge）替代了传统的WSD（warmup-stable-decay）

Ring-1T和Ling-1T的超大参数能力便得益于此。

新的策略在多个任务表现上都获得了比传统策略更好的结果。

当然，仅仅实现“超大参数”是不够的。

由于架构相近，无论是Ling-1T还是Ring-1T，二者都保持了很好的稀疏性。

以此次发布的Ling-1T为例，每个token大概只激活51B参数。结合通过“中训练+后训练”的演进式思维链（Evo-CoT），极大提升了模型的高效推理能力。

蚂蚁将大参数储备和小参数激活结合起来，根据任务的难度不同，智能调度大模型中的专家网络。一个token只激活51B的参数规模，相当于将日常困扰开发者的能耗问题降低到了百亿级参数。

大参数带来的能力突破，确实能让更多人（尤其是海外开发者）了解这个来自中国的模型。

毕竟连Lecun这样的transformer和LLM长期批评者，都在社区里给Ring-1T-preview点了赞。

但比起被看见，Ling-1T发布的意义或许在于：

人们发现，不知不觉间，蚂蚁今天已经成为了，大模型家族体系最全面的AI公司之一了。

蚂蚁百灵大模型家族有一套自己的命名规则：

Ling是基础的大语言模型；Ring是推理模型，类似GPT的O系列；Ming系列，代表多模态模型，下分视频、音频等不同的子系列。

在模型的规模和性能方面，除了今天看到的1T版本外，还有mini、flash、lite，覆盖了从10B到1T的不同尺寸，以服务不同的场景需求。

比如蚂蚁前段时间发了一个16B的高性能推理模型，Ring-mini-2.0，就是以Ling-mini-2.0-base为基础训练的。在蚂蚁的MoE架构支持下，激活 1.4B 参数，即可达到 10B 级别以下 dense 模型的综合推理能力。

而像Ming-lite-omni，则是社区少有的全模态大模型，在2.8B激活参数下，多模态能力可以比肩gpt-4o。

在HuggingFace上，蚂蚁的Inclusion AI有14个collection以及数十个跟模型相关的产品和工具，涵盖了Ling、Ring、Ming、世界模型和具身等多个技术领域。

这意味着百灵家族形成了一个大模型构建的能力金字塔，可以为蚂蚁集团乃至整个开源生态，构建支撑不同场景的能力与梯度化部署。

迈向 AGI 全景

蚂蚁很早就提出了三大战略，AI First、支付宝双飞轮、加速全球化。

不过蚂蚁CEO韩歆毅曾对媒体表示，蚂蚁的最终目标是做AI的落地应用，“如果聚焦AI应用，还要不要做基础大模型？”但管理层在思考以后答案是，“一定要。”

他说，“因为如果基于AI做服务和应用，就像训练一个人去做事。追求智能上限，会让这个人更加聪明，能够做更多、更好的服务。我们很坚定去探索AGI、探索智能上限。”

但我们从这个表态可以理解，蚂蚁大模型的路径：

蚂蚁想要追求智能上限，推动AI能力的收敛。所以它几乎所有的发布模型都是开源的，而且是高开放性、没有任何等待期的“真开源”。

拥抱开源的好处是显而易见的，它拒绝重复造轮子，不断探索人类大模型的技术边缘。在某种意义上，开源可以推动更多的“范式级”的进一步探索，比如刚才我们提到的“Ling Scaling Law”。

换言之，蚂蚁想要追求的是一个丰富的AI智能生态，希望这个生态能够快速繁荣。在这个基础上，蚂蚁可以收获更多的技术经验，然后重注更多的AI场景。

围绕上述逻辑的第二个蚂蚁特色的路径是：蚂蚁的Agent产品和大模型是同步推进的。

蚂蚁在此前推出了三大AI管家，作为目前的Agent系列产品，分别是AI健康管家AQ、AI理财管家蚂小财、AI生活管家。

与 “AI+”不完全相同，蚂蚁尽可能地推出的是AI原生属性的Agent。

其中，AQ有自己独立的APP，蚂小财在蚂蚁财富APP有入口。其实在此之前，支付宝内也有大量本地入口+chatbot窗口实践，但蚂蚁选择了对这几个业务设立独立app作为试验田。

从这个角度来说，蚂蚁将Agent作为全新的场景形态来看待。它随着智能的发展和产品形态的演进，未来会变成区别于今天产品形态的“新物种”。

在生态侧，蚂蚁也有智能体开发平台“百宝箱”。百宝箱尝试将不同的agent智能体聚合、调度，进行做多智能体的协同尝试。此外，蚂蚁还推出了原生的AI社区 InclusionAI。

今天很多人说AI进入下半场，其实讲的是两件事情：智能增长放缓+场景落地爆发的前期。

蚂蚁所做的事情，与AGI的发展的诉求也是刚好一致的：

深耕智能涌现的超大参数模型、拥抱开源社区、构建智能体平台和AI 社区、招募AI原生人才，目的是推动智能上限的进一步增长。

多智能体联动、三大Agent战略布局，目的是探索场景落地的产品范式，跑通原生AI交付的产品能力。

Ling2.0系列的万亿超参模型落地，可以被视作是蚂蚁对AGI业务布局理解的某种延伸：

它既实现了开源社区智能上限潜力的进一步挖掘，高效MoE架构和模型的梯度化部署能力，又给应用层生态更丰富的工具的选择。

而不仅对于蚂蚁的AI战略如此。对于整个AGI生态来说，这也是模型发展的意义所在。