5月9日消息,inclusionAI 正式推出旗舰级思维模型 Ring-2.6-1T,总参数规模 1 万亿、激活参数 63B,定位现实复杂任务与生产环境下的 Agent 工作流。模型已上线 OpenRouter 等平台并开放免费调用,主打强推理能力与运营层面的成本效率,在 PinchBench、ClawEval、TAU2-Bench、GAIA2-search 等多个 Agent 基准上给出领先成绩。 Ring-2.6-1T 是 inclusionAI 旗下 Ring 系列继 Ring-1T、Ring-2.5-1T 之后的最新迭代,与同期发布的 Ling-2.6-1T(即时模型形态)共同构成该团队"思维加即时"双线产品架构。这一节奏意味着,inclusionAI 正在把万亿参数 MoE 架构作为常态化迭代的工程基础,而非单次发布的实验品。
1T 总参 63B 激活的 MoE 路径
Ring-2.6-1T 沿用 Ling 2.5 系列以来确立的架构基线,核心参数组合为 1T 总参数加 63B 激活。激活规模相比上一代 Ling 2.0 的 51B 提升了 12B,主要为了配合更复杂的 Agent 工作流推理需求;但通过混合线性注意力架构,整体推理效率相较 Ling 2.0 仍实现明显优化。
模型支持 high 与 xhigh 两档自适应推理模式,根据任务复杂度动态分配推理预算。这种设计直指 Agent 场景的常见痛点——在多轮工具调用与长任务执行中,固定推理深度往往导致简单步骤过度消耗 token,而复杂步骤又推理不足。两档动态切换让 Token 开销与执行可靠性之间获得了更细的颗粒度。
benchmark 直指 Agent 与 Coding
Ring-2.6-1T 对外披露的优势项集中在 Agent 与 Coding 方向。PinchBench 测试 Agent 在长 horizon 任务中的执行可靠性;ClawEval 是 inclusionAI 自家 OpenClaw 生态的评测套件;TAU2-Bench 与 GAIA2-search 则聚焦多轮工具调用与开放式信息检索。模型同时覆盖 SWE-bench Verified、BFCL-V4、IFBench 等执行密集型基准,在"开源思维模型"细分赛道中给出 SOTA 表现。
工程集成方面,Ring 系列从 Ring-2.5-1T 开始就明确支持主流 Agent 框架——Claude Code、OpenClaw、OpenCode、CodeBuddy 都在适配名单中。Ring-2.6-1T 在此基础上进一步优化了多步执行下的工具调用稳定性,尤其面向企业级"代码生成—Bug 修复—部署"全链路。 与 Kimi K2 的吞吐量对比
针对长 horizon 任务,Ring 团队给出了与 KIMI K2 架构的直接吞吐量对比。在单机 8 卡 H20-3e、batch size=64 的配置下,即便 Ring 的激活参数(63B)几乎是 KIMI K2(32B)的两倍,混合线性注意力架构仍让其在长生成场景下保持显著吞吐优势——生成长度越长,吞吐差距越明显。同样的趋势在 H200 平台上得到延续。
这种"激活参数更大、吞吐反而更高"的反直觉结果,源于 Ling 2.5 引入的 hybrid linear attention 设计。对生产环境中的 Agent 部署而言,这意味着 Ring-2.6-1T 在多步推理任务上同时具备能力上限与单位成本两个维度的竞争力。
OpenClaw 生态的核心引擎
Ring-2.6-1T 的另一层意义是它与 inclusionAI 旗下 OpenClaw 个人 AI 助手生态的深度绑定。Ring-2.5-1T 已经能够直接适配 OpenClaw 框架,Ring-2.6-1T 进一步把 ClawEval 列为对外公布的基准之一,意味着模型迭代与 Agent 框架迭代将共享评测体系。对正在追踪 OpenClaw、SkillHub、养虾文化等生态动态的开发者群体而言,Ring-2.6-1T 不只是一个更强的模型,更是 OpenClaw 走向工业级部署的核心引擎。
局限性
Ring-2.6-1T 目前公开的 benchmark 主要由开发方自测,第三方独立评测尚未覆盖完整基准矩阵。1T 参数级别即使按 INT8/INT4 量化也对部署硬件提出较高门槛,OpenRouter 免费调用的稳定性与速率限制仍需长期使用验证。fast thinking 机制依赖 Contextual Process Redundancy Suppression 奖励训练,对长链复杂推理是否会出现"思考压缩过头"导致的关键步骤遗漏,需要在更广泛的真实业务场景中观察。此外,Ring 系列与 OpenClaw 生态深度绑定,对未使用该生态的开发者而言,部分能力与基准的迁移性还有待验证。