DeepSeek V4 之后又被刷屏，螞蟻集團 Ling-2.6-1T 來了：1T 參數 + 快思考 + Agent 工程級實力

繼 DeepSeek V4 之后，又被螞蟻集團的新模型 Ling-2.6-1T 刷屏了

開源地址：huggingface.co/inclusionAI/Ling-2.6-1T

線上直接使用：ling.tbox.cn

官方畫像：Engineering-Task-Friendly

螞蟻這次給 Ling-2.6-1T 的定位很明確——為 "Agentic" 時代而生，在執行類基準上全面占位：

• 
  

  Elite Reasoning ：在 AIME26 上領跑非思考類模型，難題求解極致克制

• First-Tier Agent Execution ：SWE-bench Verified、TAU2-Bench、BFCL-V4 拿到 SOTA 段位，寫代碼、調工具、跑多步工作流都頂得住

• Precision at Scale ：指令遵循（IFBench）和長上下文理解（256K MRCR）雙雙拿滿，復雜環境下邏輯一致性穩得住

Artificial Analysis 上的 Intelligence Index 拿到 34，輸出 token 大概 16M——同等智能水平下，它確實"話少"

跑分上和那些會展開長 CoT 的同段位選手打平，但 token 省得多，工程化場景下這個差距會被放大

因為：Ling-2.6 是把 token 效率作為VIP來設計，靠"快思考"機制直接給答案

官方給了一個詞叫 Contextual Process Redundancy Suppression（上下文冗余抑制），后訓練階段專門針對"模型一上來就長篇 CoT"這種行為做了壓制

為什么要這么做？因為現在很多模型病了——

• 一句"今天周幾"它先 OOOO 思考 3000 token

• 一個改 bug 的指令它能給你寫一篇議論文

• 你工程線上跑，Token 燒了不少，結果還是不出彩

老章覺得：對 Agentic 工作流來說，會克制比會思考更值錢

vLLM 本地部署

vLLM 一條命令跑起來：

pip install uv
uv venv ~/my_ling_env
source ~/my_ling_env/bin/activate

 git clone https://github.com/vllm-project/vllm.git
cd vllm
VLLM_USE_PRECOMPILED=1 uv pip install --editable . --torch-backend=auto

 vllm serve $MODEL_PATH \
    --port $PORT \
    --served-model-name my_model \
    --trust-remote-code --tensor-parallel-size 8 \
    --gpu-memory-utilization 0.85

螞蟻官方更推薦 SGLang，且對 MTP（多 token 預測）做了專門的 patch：git clone -b ling_2_6 git@github.com:antgroup/sglang.git

pip install "sglang[all]>=0.5.10.post1" --prerelease=allow


 sglang serve \
  --model-path inclusionAI/Ling-2.6-1T \
  --tp-size 8 \
  --max-running-requests 32 \
  --mem-fraction-static 0.92 \
  --chunked-prefill-size 8192 \
  --context-length 262144 \
  --trust-remote-code \
  --tool-call-parser qwen25

inferencerlabs 直接出了 Ling-2.6-MLX-3.6bit-INF：

huggingface.co/inferencerlabs/Ling-2.6-MLX-3.6bit-INF

實測數據（M3 Ultra 512 GiB）：

• 文本推理 ~11.3 tokens/s @ 1000 tokens ，占用 431 GiB

• Q3.6-INF 用 data-agnostic INF 量化方法，在 512 GiB 內存預算內追求最大通用準確率

• Token Accuracy 接近 95%，且對比同體量模型（Kimi K2.6）絲毫不虛

API調用每日有 50 萬 token 的額度

ling.tbox.cn/open

API 可以很方便地接入到 Claude Code

方法：

將以下內容添加至 ~/.bashrc 或 ~/.zshrc：

export ANTHROPIC_BASE_URL=https://api.ant-ling.com/anthropic
export ANTHROPIC_AUTH_TOKEN= 
        

更新環境變量：

source ~/.zshrc # 或 source ~/.bashrc

通過 --model 參數指定要使用的百靈模型，例如：

# 使用 Ling-2.6-flash（通用對話，速度快）
claude --model Ling-2.6-flash 

 # 使用 Ling-2.6-1T（大型代碼庫理解、長上下文分析）
claude --model Ling-2.6-1T 

 # 使用 Ring-1T（復雜推理、代碼調試）
claude --model Ring-1T

光看跑分太干，螞蟻官方放了幾個 Demo，節選2個我覺得最能講清楚定位的：

Demo 1：開源即 Agent-Ready

它對自己的核心承諾是 token efficiency：

• Lower token overhead ：要 intelligence，不要長鏈條 CoT

• Reliable multi-step execution ：指令、工具、上下文、工作流四條線都能穩住

• Production-ready deployment ：從代碼生成到 bug 修復，主流 Agent 框架兼容到位

官方放了一段在 @opencode 上的 Agentic 能力演示：

我看完最大的感受，它接進 Agent 框架后，沒有那種"先思考五分鐘再動手"的慢熱感，工具調用、文件讀寫、任務拆解之間銜接很絲滑

Demo 2：Agent + 知識庫的硬實力

這個 Demo 主打信息蒸餾 + 復雜內容檢索：

官方拿《百年孤獨》前兩章做了一次知識庫實體抽取測試，演示連接長期記憶工具后，它如何作為一個高精度記憶層為 Agent 工作流服務

實際意義對應到工作里就是：會議紀要、群聊記錄、PRD 文檔，丟一堆雜亂材料進去，它能直接給你出結論 + 待辦 + 周報草稿 + Wiki——而不是"一段總結然后讓你自己梳理"

實測

我在Ling Studio官網和接入到Claude Code都實際體驗了一下

第一感覺就是輸出速度太快了

每秒 160 Tokens 起步，快如閃電?

實測1：

> 請用 HTML5、CSS3 和純 JavaScript（Canvas）編寫一個單文件動態網頁，實現一場絢麗多彩的煙花盛況。要求如下： 
> 1. **視覺效果**：煙花爆炸要有多種形態（如經典球形、流星雨拖尾、心形等），每一顆煙花的顏色使用 HSL 隨機生成，保證色彩極其炫麗鮮艷，并且有發光/熒光效果。背景設置為帶有稀疏星星的深色夜空。 
> 2. **物理邏輯**：每一顆粒子都要受重力和空氣阻力影響，呈現真實的拋物線軌跡，并且在消散前有亮度衰減和閃爍效果。 
> 3. **交互設計**：系統需要自動、隨機地在屏幕下方發射煙花。同時，當用戶在屏幕上任何位置點擊（或觸摸）時，能立刻響應該坐標并在該位置燃放一朵指定煙花。 
> 4. **性能和代碼格式**：使用 `requestAnimationFrame` 保證動畫流暢運行。請將所有的 HTML、CSS 和 JS 代碼整合在一個獨立且完整的 `index.html` 文件中，方便我直接運行。

效果如下：

• ? 8種煙花爆炸形態

• ? HSL隨機鮮艷色彩 + 輝光效果

• ? 重力 + 空氣阻力物理模擬

• ? 自動隨機發射 + 點擊發射

• ? requestAnimationFrame 流暢動畫

• ? 背景閃爍星星

實測2：生成一套數據分析經典數據集，或使用已知知名數據集，進行詳細的數據分析全流程操作，生成一份圖文并茂的可本地預覽的 HTML 數據分析網站

它寫了1400多行代碼，技術棧：Dash + Plotly + Pandas + Bootstrap

 完成的功能模塊

 1. 數據概覽頁面

 -  數據集基本信息（150樣本，4特征，3類別）
-  統計信息卡片（樣本數、特征數、類別數、平均相關性）
-  原始數據表格（帶分頁）
-  描述性統計表格
-  類別分布柱狀圖

 2. 單變量分析

 -  特征分布直方圖（4個特征，按類別分組）
-  箱線圖展示
-  密度分布圖
-  小提琴圖（按類別分組）

 3. 雙變量分析

 - ? 交互式散點圖（可切換X/Y軸特征）
- ? 特征相關性熱力圖
-  散點圖矩陣（展示所有特征兩兩關系）

 4. 多變量分析

 -  平行坐標圖
-  雷達圖（各類別特征均值對比）
-  3D散點圖（可切換三個軸特征）
-  Andrews曲線（高維數據模式識別）

 5. 統計分析

 -  按類別分組的箱線圖
-  特征分布小提琴圖
-  詳細統計摘要表（包含均值、標準差、方差等）

 6. 機器學習預覽

 -  K-Means聚類分析（k=3）
-  PCA降維可視化（解釋95%方差）
-  聚類結果與實際類別對比表

 

最后再貼個網友@Adam實測： 生成一個關于 Ling-2.6-1T 模型的介紹頁面，有高級感和科技感

視頻里那種版式語言、留白比例、字號節奏，看著像設計師交付的成品稿

這背后印證了官方那句話——它擅長在"明確風格 + 明確受眾 + 明確工作流"的指令下產出驚艷結果

模糊指令丟進去會得到平凡結果，但只要你愿意把 prompt 寫成給同事下 brief 的樣子，它的上限非常高

用法心法：3 個必須知道的高手玩法

跟著官方 README 和 Demo 摸了一圈，我把心法濃縮成 3 條：

心法一：溫度調到 0.8 左右

通用任務推薦 0.8（比常見模型略低），代碼生成任務建議更低

心法二：把工作流寫進 prompt

別只說"寫個方案"，要寫：

1. 先理解目標

2. 列出三種可能的框架

3. 選擇最優框架

4. 填充內容

5. 最后寫一句話總結

心法三：先 Plan 再 Execute

抽象任務（如"幫我做個競品分析"）的黃金姿勢是兩輪對話——

• 第一輪：「請列出你完成這個任務的具體步驟和計劃」

• 第二輪：（確認/修改后）「請嚴格按照這個計劃開始執行」

因為 Ling-2.6-1T 是非思考模型，讓你來定義思考的路徑，反而能讓它的執行精度比那些"自己想很多"的模型更穩

總結

適合誰用：跑 Agent 工作流的開發者、被雜亂材料淹沒的知識工作者、對 token 成本敏感的工程團隊、喜歡"先 Plan 后 Execute"受控玩法的高級用戶

慎用場景：期待模型自動深度思考、期望生成復雜具象 SVG 多模態、不愿寫清楚 prompt 的用戶——它默認是「快思考」，對模糊指令不友好

螞蟻這次走的路線很清楚：讓模型聽話、讓模型干活、讓模型省 token

Agent 時代的工程模型，就該長這樣

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！