蚂蚁集团旗下的百灵大模型团队宣布，正式开源其面向复杂任务的万亿级综合旗舰模型 Ling-2.6-1T。

根据介绍，Ling-2.6-1T 并不是为了单纯追求更长的思考链，或制造更强的“参数规模体感”，而是面向真实复杂任务，系统性优化模型的智效比、指令执行、工具适配、长上下文承接和工程任务处理能力。

“我们希望它能够成为复杂工作流中的核心模型：既能理解复杂目标、拆解任务路径，也能在多样化 Agent harness、开发工具链和真实业务流程中稳定推进执行。”

具体而言，Ling-2.6-1T 重点解决三个问题：

• 第一，在更低 Token 开销下保持强综合智能。依托 MLA 与 Linear Attention 的 Hybrid 架构创新，结合抑制“过程冗余”的强化奖励策略，Ling-2.6-1T 在保持 1T 参数能力上限的同时，减少对冗长思考链的依赖，以更高效的“快思考”机制直达结果，从而压缩同等智能水平下的输出成本。
• 第二，在复杂任务中实现更可靠的多步执行。在 Agent、Coding 和工作流场景中，模型需要的不只是单点回答能力，而是对指令、工具、上下文和中间状态的持续把控，在噪声环境下的推理与精准作答。Ling-2.6-1T 加强对复合型任务的学习，在 AIME26、SWE-bench Verified、BFCL-V4 、TAU2-Bench、IFBench 等执行类基准上达到开源 SOTA 水平，展现出面向复杂任务的综合执行能力。
• 第三，让万亿级模型真正进入开发者和企业的生产工作流。Ling-2.6-1T 具备从代码生成到缺陷修复的完整工程落地能力，并与主流 Agent 框架高度兼容，适用于多工具、多步骤、多约束的复杂场景。它的目标不是停留在单次演示，而是成为真实业务系统中可部署、可协同、可持续运行的模型能力底座。

Ling-2.6-1T 在底层训练策略上实现了深度演进，以大幅提升 Token Efficiency 作为关键的优化维度：

• 高智效比优势突出：Artificial Analysis中，Ling-2.6-1T 以约 16M output tokens 达到约 34分 Intelligence Index，进入图中的高吸引力区间，说明它能够在相对克制的 token 消耗下，提供较强的综合智能表现。
• 综合智能已进入领先模型区间：相比 Ling 系列早期旗舰 Ling-1T，Ling-2.6-1T 在能力上实现了明显跃迁，并已展现出与 GPT-5.4（Non-Reasoning）同档的综合智能表现。
• 更适合真实部署的能力—效率平衡：相较部分依赖更高 token 消耗来换取更高分数的模型，Ling-2.6-1T 在效率与能力之间更均衡，更适合需要兼顾成本、吞吐与任务完成度的真实业务场景。

与此同时，Ling-2.6-1T 以仅 16M tokens 完成 Artificial Analysis 完整评测，在同类模型中展现出极突出的 Token Efficiency，体现出更低成本、更高吞吐与更强落地性的综合优势。

在推理、代码、工具调用、多步任务执行等维度，Ling-2.6-1T 展现出均衡的综合能力，对多样化的 Agent harness、工具链与工作流编排环境具备良好的适配性，在多个执行类 benchmark 上达到开源 SOTA 水平。

• 高难推理能力突出：在 AIME26 上，Ling-2.6-1T 显著领先于其他非思考模型，展现出更强的复杂问题分析与求解能力。

• Agent 执行能力处于第一梯队：在 SWE-bench Verified、TAU2-Bench、Claw-Eval、BFCL-V4 和 PinchBench 上，Ling-2.6-1T 达到第一梯队，在工具调用、多步任务推进与真实工作流执行中均有不错的表现。

• 长上下文理解与优秀的指令遵循能力：在 MRCR（16K-256K）和 IFBench 均取得较高的分数，模型不仅具备更强的长文本理解能力，同时能够保证多重约束下的执行准确率与逻辑一致性。

接下来，项目团队计划持续提升 Ling-2.6-1T 在知识密集型任务下的 Token 效率表现，追求更优的智能表现。同时，面对真实世界更严苛的交互需求，进一步优化 Agent 长程规划的全局一致性与复杂信息检索能力，并重点打磨复杂指令下的跨语言动态对齐，改善偶发的中英双语切换偏移现象。下一步，将继续拓宽模型性能边界，推动全场景复杂任务的交付效率与交互体验全面进化。

此外，为支持更多开发者体验与评测 Ling-2.6-1T，其还宣布将 OpenRouter 平台的免费 API 调用服务延期一周。