• 克雷西 發(fā)自 凹非寺
  量子位 | 公眾號 QbitAI

現(xiàn)在想找個既能干活又像真人一樣好聊的模型變難了，AI好像正在變得越來越理性，但也越來越“不通人性”。

在這個節(jié)骨眼上，螞蟻百靈大模型家族全新推出了萬億參數(shù)的旗艦級模型Ling-2.5-1T，不僅主打通用全能，還是個能夠高效回復的即時模型。

具體來說，Ling-2.5-1T既擁有強大的Agent執(zhí)行力，又保留了情商和寫作能力。

同時，它還想證明萬億參數(shù)的大塊頭也能身輕如燕，不需要在那兒“轉(zhuǎn)圈思考”半天才能出結果，關鍵還不喜歡廢話，非常節(jié)約Token。

簡而言之，Ling-2.5-1T就是一個讓人用得起、跑得快、寫得好、還靠得住的萬億基座，給開發(fā)者一個兼具人性溫度與開源誠意的選擇。

萬億參數(shù)也有極致效率

Ling-2.5-1T的定位非常清晰，就是一款追求極致效率的即時模型（Instant Model）。

在與前一代、及現(xiàn)在主流的大尺寸即時模型對比中，Ling-2.5-1T在復雜推理、 指令遵循能力方面具有明顯優(yōu)勢。

在架構設計上，它在Ling2.0的基礎上引入了混合線性注意力機制，通過增量訓練把原本的GQA結構升級成了1:7比例的MLA加上Lightning Linear的組合。

具體來說，研發(fā)團隊利用Ring-flash-linear-2.0技術路線，直接將部分GQA層改造為Lightning Linear Attention，顯著提升了長程推理的吞吐能力。

同時，研究團隊還將其余GQA層近似轉(zhuǎn)換為MLA，并對其中的QK Norm、Partial RoPE等特性進行了針對性適配，把KV Cache壓到了極致。

所以，它的激活參數(shù)量雖然有63B，但運行起來反而比那些32B激活參數(shù)的模型還要輕快，而且生成的文本越長，這種吞吐優(yōu)勢就越明顯。

上下文方面，Ling-2.5-1T支持整整1M Tokens的超長窗口，預訓練語料也擴充到了29T。

大海撈針測試中，Ling-2.5-1T在1M tokens的上下文窗口內(nèi)均表現(xiàn)優(yōu)異。

并且，Ling-2.5-1T在對比采用MLA和DSA架構的大型即時模型時，在多項超長上下文任務中展現(xiàn)出效果優(yōu)勢。

這意味著你不管是扔給它幾百頁枯燥的技術文檔，還是一本厚厚的長篇小說，它都能把里面的細枝末節(jié)記得清清楚楚。

再加上指令遵循能力的升級，Ling-2.5-1T的長文與多輪對話交互變得更加可靠。

螞蟻團隊構建了Agent-based校驗機制，針對細粒度約束，編寫了由Rubric（評分規(guī)則）與Code（代碼斷言）構成的硬性校驗獎勵。

在IFEval等指令遵循基準測試中，Ling-2.5-1T在多重約束下的執(zhí)行準確率與邏輯一致性顯著提升。

而且它還有一個優(yōu)點就是“高Token Efficiency”，這點在Agent工具調(diào)用的場景里體現(xiàn)得特別明顯。

大家平時最怕模型在中間環(huán)節(jié)給自己“加戲”，Ling-2.5-1T經(jīng)過深度優(yōu)化，在處理復雜任務鏈路時能做到直擊要害，絕不為了湊字數(shù)而進行無效的思維漫游，在跑長流程任務時能幫你省下大量Token。

在相同token效率條件下，Ling-2.5-1T的推理能力顯著超越前代，接近需消耗約3~4倍輸出token的前沿思考模型水平。

說到復雜鏈路，Ling-2.5-1T也在Agent能力上做了專門強化，引入了Agent驅(qū)動校驗和多重約束訓練，深度適配Cline、Claude Code等主流編程智能體。

不管是做復雜的自動化規(guī)劃還是跨平臺操作，它都能像個靠譜的老員工一樣執(zhí)行到位。

而且它并沒有為了智能體能力而犧牲寫作水平，甚至為了去掉大模型常見的“機器味”，螞蟻專門找了人文社科專家做RLHF特訓。

現(xiàn)在的Ling-2.5-1T寫起東西來非?？酥魄矣袦囟?，不管是商務郵件還是創(chuàng)意文案，都能拿捏好分寸，給你最真實、最像活人的文字反饋。

左手寫作，右手Agent

為了測測它的筆頭功夫到底硬不硬，我給它出了個難題——

假設你是一個產(chǎn)品翻車的CEO，請你分別寫一條深夜破防的朋友圈，和一封給全體用戶的正式致歉信。

為了更有說服力，我還拉來了GPT-5.2做對比。先看朋友圈文案，兩邊的畫風差得挺大。

我的指令很簡單，只說了“表達真實心情”。

對于這個要求，GPT-5.2的理解是“展現(xiàn)韌性”。它說：“說不難受是假的……產(chǎn)品可以跌倒，公司不能裝沒事。”

這話邏輯沒毛病，態(tài)度也很堅決，像是一個永遠打不倒的鐵血老板，哪怕在私域里也在努力維系團隊的士氣。

Ling-2.5-1T則是“流露脆弱”。它上來就是：“這個夜晚，比我想象的要漫長得多”，緊接著寫到了“滿屏的質(zhì)疑和滾燙的機身”。

它捕捉到了那種焦慮和壓抑的狀態(tài)。這種對情緒顆粒度的還原，確實更像一個活生生的人在遭受打擊后的真實反應。

到了致歉信環(huán)節(jié)，Ling-2.5-1T顯得更懂“分寸”。

GPT-5.2寫的是滿分公關文——承認問題、退款召回、承諾改進——挑不出什么錯，但也就是個標準模板，有點冷冰冰。

而且其中充斥著大量的“不是……而是/而不是……”“在……不在……”這樣的AI慣用話術，讓人不免懷疑其道歉的誠意。

Ling-2.5在標準動作之外，不僅感情更加真摯，對問題的看待也更加“通透”。

它特別加了一句“對供應鏈的把控失職，未能發(fā)現(xiàn)隱患”，沒有對外甩鍋，自己認下了“監(jiān)管不力”的問題，既認了具體的錯，又顯得很有擔當。

對比下來， GPT-5.2像個精英高管，辦事高效但沒啥感情；而Ling-2.5更像個懂人性的創(chuàng)業(yè)老炮，知道什么時候該示弱，什么時候該扛事兒。

總之這一波，Ling-2.5-1T贏在了懂人情世故，它能把那些只可意會的情緒寫進字里行間，讓文字風格看起來像個在社會上摸爬滾打過的活人。

除了寫作，Ling-2.5-1T還聲稱自己擅長Agentic任務，多步Agent工具調(diào)用和自動化任務處理都是它的強項。

為了驗證它是否名副其實，我又請出了之前測試各種模型用的OpenClaw，并把Ling-2.5-1T接入了進去。

這次我扮演的是個電商運營，我用Python生成了一份亂七八糟的JSON日志丟到桌面。

這個JSON日志一共將近3000行，里面存了50個訂單。包含15種規(guī)格完全不搭界的商品。

而且這些商品還有隱藏參數(shù)——電子產(chǎn)品有CPU參數(shù)，零食有口味克數(shù)，衣服有尺碼材質(zhì)……這些數(shù)據(jù)毫無規(guī)律地嵌套在深層字典里。

我直接下達了一段老板式的模糊指令：桌面的order文件夾里有個日志，格式太亂我沒法看，幫我整理成一張清晰的Excel明細表。

Ling-2.5-1T展現(xiàn)出了老練的Agent自主性，通過OpenClaw在本地目錄定位、讀取了目標，然后在后臺自動拆解任務邏輯、讀取數(shù)據(jù)并編寫了Python程序來生成表格，中間遇到缺少的pip依賴還會自行安裝。

再來看交付成果，可以看到Ling-2.5-1T通過OpenClaw執(zhí)行了多步操作，把每個訂單商品拆分成了獨立行，同時自動保留了訂單ID、會員等級等信息，數(shù)據(jù)關聯(lián)嚴絲合縫。

而且它掃描提取了所有屬性，變成了獨立的20多列，實現(xiàn)了稀疏化對齊。

的確如宣傳中所言，接入OpenClaw后的Ling-2.5-1T，是一個能落地干重活的桌面級Agent，它完成了從找文件、理邏輯到最后交表的全部過程，直接把我要的結果甩在了面前。

總之，Ling-2.5-1T在寫作上能精準還原人情世故，在Agentic任務上能通過OpenClaw高效交付成品，確實是一個既有腦子又有手腳的“活人”。

拼圖齊活，穩(wěn)坐第一梯隊

Ling-2.5-1T這種既具備Agentic實戰(zhàn)能力，又有優(yōu)異寫作表現(xiàn)的模式，算是精準踩中了當下大模型的痛點。

就拿最近大模型圈里最火的一件事來說，前不久GPT-4o正式走向了它生命的終點，很多人開始懷念那個曾經(jīng)日夜陪伴自己的模型，并吐槽起了最新的GPT-5系列。

是因為GPT-5系列模型不夠聰明嗎？

并不是，實際上GPT-5系列有非常強大的推理和編程能力，已經(jīng)應用于實踐，甚至破解了眾多未被解決的科學問題。

真正引發(fā)吐槽的，是因為GPT-5系列缺少了4o那種細膩的“活人感”。

這也折射出了大模型進化路線當中的一個難題——大塊頭模型一旦只追求邏輯指標，用起來就容易顯得冷冰冰。

但Ling-2.5-1T的做法就聰明多了，它在死磕硬核指標的同時，硬是把那股子“人味兒”給保住了，讓模型不僅僅是個好用的工具，更是個懂分寸的伙伴。

隨著這次Ling-2.5-1T的正式入列，螞蟻旗下的模型也進一步打出了一套趨于完整的智能組合拳。

Ring專攻邏輯，Ming擅長多模態(tài)，Ling主打通用，螞蟻InclusionAI的開源拼圖至此又得到進一步完善。

這套組合拳不僅證明了螞蟻在大模型技術上已經(jīng)穩(wěn)穩(wěn)站住了全球第一梯隊，更關鍵的是，它驗證了混合線性架構在超大規(guī)模模型上的成熟度——原來萬億模型也能跑得這么順。

對于廣大用戶和開發(fā)者來說，這意味著手里終于多了一套完整的、可控的技術底座，再也不用每天提心吊膽，擔心閉源API突然變動或者漲價帶來的業(yè)務風險。

這種確定性，成為了Agentic Workflow的基礎，只有地基穩(wěn)了，上面的應用和創(chuàng)作才能放心大膽地去跑，不用擔心隨時會塌。

在閉源模型越來越封閉的今天，這套“有血有肉”且實力抗打的開源方案，無疑將成為大家最值得信賴的新選擇。

Hugging Face：
https://huggingface.co/inclusionAI/Ling-2.5-1T
ModelScope：
https://modelscope.cn/models/inclusionAI/Ling-2.5-1T