本次发布的百灵全模态大模型Ming-flash-omni-2.0，基于Ling-2.0（MoE 架构，100B-A6B）架构训练。相比之前发布的 Preview 版本，Ming-flash-omni-2.0 实现了全模态能力的代际跃迁，无论是在复杂的视觉理解、充满情感的语音交互，还是极具创意的图像编辑上，Ming-flash-omni-2.0 的实测表现均已跻身开源领先水准。

长期以来，多模态大模型领域存在一个难题：通用的“全模态大模型”（Omni-MLLMs）往往在特定领域的表现不如“模态专用大模型”（Specialist MLLMs）。Ming-omni 系列的研发初衷，正是为了填补这道鸿沟。从 Lite 版本到 Flash Preview，我们验证了模型规模对性能的提升作用；而从 Preview 到如今的 2.0 版本，我们通过海量数据的精细化打磨，进一步触达了性能的天花板。Ming-flash-omni-2.0 的诞生证明了：一个统一架构的全模态模型，完全可以既是博学的通才，又是特定模态的专家。

详情查看

感知无界·创造有形：百灵全模态 Ming-flash-omni-2.0 焕新生活想象

二、我们发布并开源首个混合线性架构的万亿参数思考模型Ring-2.5-1T

作为迈向通用智能体时代的关键步骤，我们将混合线性注意力架构在预训练和强化学习上均进行了大规模扩展，一方面利用高效的1：7 MLA + Lightning Linear Attention架构来提升模型的思考效率和探索空间，另一方面通过扩展强化学习和智能体环境规模来提升模型的思考深度和长程执行能力。

相比此前发布的 Ring-1T，Ring-2.5-1T 在生成效率、思考深度、长程执行上均有大幅提升：

• 高效生成：得益于高比例的线性注意力机制，在超过 32K 生成长度下，访存规模降低 10 倍以上，生成吞吐提升 3 倍以上，尤其适合深度思考和长程执行的任务。

• 深度思考：在 RLVR 基础上引入dense reward来反馈思考过程的严谨性，使得 Ring-2.5-1T 同时实现IMO 2025和CMO 2025 的金牌水平（自测）。

• 长程执行：通过大规模fully-async agentic RL训练，显著提升针对复杂任务的长程自主执行能力，使得 Ring-2.5-1T 可以轻松适配 Claude Code 等智能体编程框架和 OpenClaw 个人 AI 助理。

  深度思考与长程执行

  

  为评估 Ring-2.5-1T 的深度思考和长程执行能力，我们选取了具有代表性的开源思考模型（DeepSeek-v3.2-Thinking、Kimi-K2.5-Thinking）和闭源API（GPT-5.2-thinking-high、Gemini-3.0-Pro-preview-thinking-high、Claude-Opus-4.5-Extended-Thinking）作为参考。 Ring-2.5-1T 在数学、代码、逻辑等高难推理任务（IMOAnswerBench、AIME 26、HMMT 25、LiveCodeBench、ARC-AGI-V2）和智能体搜索、软件工程、工具调用等长程任务执行（Gaia2-search、Tau2-bench、SWE-Bench Verified）上均达到了开源领先水平。

  我们还额外测试了深度思考模式（heavy thinking mode），通过在推理过程中扩展并行思考与总结，实现测试时扩展，从而有效提升推理的深度与广度。

  在 IMO 2025（满分 42 分）中，Ring-2.5-1T 获得 35 分，达到金牌水平；在 CMO 2025（满分 126 分）中取得 105 分，显著高于金牌线（78 分）及国家集训队入选线（87 分）。对比 Ring-2.5-1T 与 Ring-1T 的答题结果可以发现，前者在推理逻辑严谨性、高阶数学证明技巧使用以及答案表述完整性方面均有明显提升。我们现已公开 Ring-2.5-1T 在 IMO 2025 与 CMO 2025 中的详细解答，完整内容可通过以下链接查看：https://github.com/inclusionAI/Ring-V2.5/tree/main/examples

  此外，在挑战性的智能体搜索 GAIA2-search 任务中，Ring-2.5-1T 达到开源 SOTA 水平。GAIA2 环境强调跨应用工具协作与复杂任务执行能力，Ring-2.5-1T 在规划生成与多步工具调用上的效率与准确性均表现突出。

三、我们发布并开源Ling-2.5-1T

深度思考模型（thinking model）拉升智能上限，即时模型（instant model）则凭效率与效果的平衡拓宽智能覆盖，它让 AGI 不只更强，也更普惠。作为百灵家族最新的旗舰级即时模型，Ling-2.5-1T 在模型架构、token 效率、偏好对齐等维度全面升级，期待为用户带来更优质的普惠智能体验。

• 万亿参数与百万上下文：Ling-2.5-1T 具有 1T 总参数（激活 63B），预训练语料从前代的 20T 扩展至 29T，凭借高效的混合线性注意力架构与精细的数据策略优化，模型能够以高吞吐处理长达 1M token 的上下文。

• 更高的 token 效率：引入“正确性 + 过程冗余”复合奖励机制，进一步拓展了即时模型效率与效果的平衡边界。在相同 token 效率条件下，Ling-2.5-1T 的推理能力显著超越前代，接近需消耗约 4 倍输出 token 的前沿思考模型水平。

• 精细化偏好对齐：通过引入双向强化学习反馈、Agent-based 指令约束校验等精细化对齐策略，使 Ling-2.5-1T 在创意写作、指令遵循等偏好对齐类任务上相比前代模型实现大幅提升。

• 高效的原生智能体交互：基于大规模高保真交互环境进行 Agentic RL 训练，Ling-2.5-1T 可适配 Claude Code、OpenCode、OpenClaw 等主流智能体产品。在通用工具调用基准 BFCL-V4 上达到开源领先水平。

我们全面评估了 Ling-2.5-1T 在知识、推理、智能体交互、指令遵循、长文本处理等多个权威基准评测上的表现。Ling-2.5-1T 与前代模型 Ling-1T 对比，实现了全方位的能力提升，是百灵家族当前最强大的即时模型。在与主流的大尺寸即时模型（DeepSeek V3.2、Kimi K2.5、GPT 5.2）对比中，Ling-2.5-1T 在复杂推理、 指令遵循能力具有明显优势。