Ring-1T

Ring-1T to model, który otworzył bilionową linię modeli rozumujących InclusionAI, otwartoźródłowego ramienia grupy Ant. Wagi trafiły na Hugging Face 10 października 2025 r., dwa tygodnie po wersji zapowiedziowej, a raport techniczny ukazał się 21 października. Model zbudowano na bazie Ling-1T, opisanej już w katalogu, w tej samej architekturze Ling 2.0: 80 warstw, 256 ekspertów routowanych z 8 aktywnymi i jednym współdzielonym, cztery warstwy gęste na początku, rozmiar ukryty 8192, słownik 157 184 tokenów. Opublikowany indeks wag liczy 999,7 miliarda parametrów, z czego 50 miliardów pracuje na jeden token, a okno kontekstu ma natywnie 65 536 tokenów i podwaja się do 131 072 metodą YaRN. Główne repozytorium wydano w formacie BF16, obok niego stoi osobne repozytorium w FP8. To wydanie wyróżnia sposób, w jaki producent zdał sprawę z własnych testów. Do zadań olimpiady matematycznej IMO 2025 uruchomił model we własnym środowisku wieloagentowym AWorld i opublikował wynik zadanie po zadaniu: rozwiązał zadania 1, 3, 4 i 5 za pierwszym podejściem, co odpowiada poziomowi srebrnego medalu; niemal kompletny dowód geometryczny zadania 2 uzyskał dopiero za trzecim podejściem; a w zadaniu 6, którego w tamtym roku nie rozwiązał poprawnie żaden model, doszedł do odpowiedzi 4048, podczas gdy prawidłowa to 2112 — dokładnie tak samo pomylił się Gemini 2.5 Pro. Opublikowanie błędnej odpowiedzi i wskazanie konkurenta, który popełnił ten sam błąd, jest w tym segmencie rzadkością. Zapisy rozumowania producent udostępnił w repozytorium AWorld, więc deklarację da się sprawdzić, a nie tylko przyjąć na słowo. W finałach zawodów programistycznych ICPC 2025, również w teście własnym, Ring-1T rozwiązał 5 zadań w trzech podejściach wobec 6 dla GPT-5-Thinking i 3 dla Gemini 2.5 Pro. Wkładem inżynierskim tego modelu jest metoda treningu, a nie architektura. Uczenie ze wzmocnieniem na modelu mieszanki ekspertów tej wielkości rozjeżdża się, bo silnik treningowy i silnik wnioskowania liczą operacje odrobinę inaczej, a różnica rośnie wraz z długością sekwencji i liczbą kroków; wykresy producenta pokazują, że standardowy algorytm GRPO załamuje się po stosunkowo niewielu krokach. Odpowiedzią firmy jest metoda Icepop, która koryguje rozkłady obustronnym maskowanym obcinaniem i utrzymuje tę różnicę na stałym poziomie. Zaplecze — system treningowy ASystem ze wspólną pulą pamięci dla treningu i wnioskowania oraz usługa nagród w piaskownicy obsługująca dziesięć tysięcy żądań na sekundę w ponad dziesięciu językach programowania — opisano w karcie modelu, a framework AReaL z tego zestawu udostępniono jako otwarty. Jak przy każdym wydaniu tego wydawcy, deklaracja licencyjna jest węższa niż etykieta. Metadane repozytorium mówią MIT, ale karta modelu obejmuje licencją MIT repozytorium kodu i odsyła do pliku w osobnym projekcie na GitHubie; wśród 170 plików repozytorium z wagami nie ma żadnego dokumentu licencyjnego. W odróżnieniu od późniejszych Ring-2.5-1T i Ring-2.6-1T ten model był dostępny poza Chinami od pierwszego dnia: karta odsyła zagranicznych programistów do serwisu ZenMux po czat i interfejs programistyczny, a użytkowników z Chin do własnego czatu producenta. Liczba pobrań spadła od tego czasu do kilkuset miesięcznie, wyraźnie poniżej następcy z 2026 r., na którym osiadła większość osób uruchamiających model u siebie.

▸Wideo

Brak materiałów wideo.

▸Recenzje