蚂蚁开源Ring-1T模型，性能媲美GPT-5

科技周边小白一枚，正在不断学习积累知识，现将学习到的知识记录一下，也是将我的所得分享给大家！而今天这篇文章《蚂蚁开源Ring-1T模型，性能逼近GPT-5》带大家来了解一下##content_title##，希望对大家的知识积累有所帮助，从而弥补自己的不足，助力实战开发！

10月14日凌晨，蚂蚁集团正式发布了具备万亿参数的思考型模型Ring-1T，并全面开放其模型权重与训练方法的源代码。该模型在9月30日发布的预览版本Ring-1T-preview基础上，进一步深化了大规模可验证奖励强化学习（RLVR）的训练过程，充分释放了万亿级基座模型在自然语言推理方面的潜力，同时通过RLHF技术优化模型的通用性能，在多项评测任务中展现出更加均衡且强劲的表现。

为持续提升复杂推理能力，尤其是数学领域的表现，百灵团队将Ring-1T接入多智能体协同推理框架AWorld，挑战极具难度的IMO2025国际数学奥林匹克试题，并全程使用纯自然语言进行解题。实验结果令人瞩目：Ring-1T首次尝试即成功解答第1、3、4、5题，达到IMO银牌水平，成为全球首个能够获得国际奥数奖项级别的开源系统。在第三次尝试中，对第2题的几何证明给出了接近满分的严谨推导；而在几乎所有顶级大模型均未能突破的第六难题上，Ring-1T的答案收敛至“4048”——虽未完全正确（标准答案为2112），但已与Gemini 2.5 Pro的结果一致，展现出强大的推理逼近能力。

作为一款专注于深度思考的模型，Ring-1T在通用能力方面同样表现出色。在“人类偏好对齐”测试Arena-Hard V2中，其以81.59%的成功率位居开源模型榜首，成绩紧追GPT-5-Thinking(High)的82.91%。在专业领域测评HealthBench中，Ring-1T亦斩获开源模型最高分，彰显其在医疗问答等高严谨性场景下的卓越表现。

（Ring-1T与业界代表性思考模型的性能横评）

训练万亿参数模型面临的核心挑战之一是训推精度不一致问题——即训练和推理阶段因实现差异导致分布偏移，进而引发训练崩溃。为此，蚂蚁自主研发了名为“棒冰（icepop）”的创新算法，采用带掩码的双向截断技术，将训练与推理之间的分布差异冻结在低水位状态，有效保障长序列、长周期训练的稳定性。此外，针对万亿参数模型在强化学习训练中的显存管理与权重交换瓶颈，蚂蚁打造了高性能强化学习系统ASystem（含已开源的AReaL框架），实现了单机显存碎片秒级回收、权重零冗余传输，使大规模RL训练得以稳定常态化运行。

（图左：GRPO训推差异随训练指数增长，icepop保持平稳；图右：训推差异峰值对比，GRPO显著上升，icepop维持低位）

本次发布的Ring-1T基于Ling 2.0架构的1T base模型进行后续训练。Ling 2.0采用了高度稀疏化的MoE结构、1/32专家激活比、FP8混合精度计算以及MTP等多项先进技术，兼顾高效训练与推理效率。在后训练阶段，百灵团队实施了LongCoT-SFT + RLVR + RLHF的多阶段联合训练策略，显著增强了模型在复杂逻辑推理、指令遵循及创意写作等方面的综合能力。

据百灵团队透露，Ring-1T是其在万亿参数思考模型方向上的首次探索，未来将持续迭代优化，推出更强大的版本。目前，用户可通过HuggingFace、魔搭社区等平台下载模型权重，并通过蚂蚁百宝箱等渠道在线体验其能力。

截至目前，蚂蚁百灵系列已累计发布18款大模型，构建起覆盖从160亿到1万亿参数的完整产品矩阵，其中包括两款标志性万亿参数模型：通用大语言模型Ling-1T与思考型模型Ring-1T。随着这两大模型的相继落地，百灵大模型正式迈入2.0时代。

理论要掌握，实操不能落！以上关于《蚂蚁开源Ring-1T模型，性能媲美GPT-5》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！