Ling-1T 現已在 SiliconFlow 上線：高效推理的萬億級飛躍

2025年10月16日

簡短摘要：Ling-1T，Ling 2.0 系列中的第一個旗艦非思考模型，現已在SiliconFlow上線。專為百萬億級效率推理而設計，總參數達 1 萬億，每個標記約有 500 億活動參數，並通過Evo-CoT訓練進行更深、更快的推理。提供尖端的表現，涵蓋數學、代碼和前端任務，Ling-1T 重新定義了準確性、速度和成本效益之間的平衡。
立即開始使用完全OpenAI/Anthropic相容的SiliconFlow量產API進行構建，並準備集成到現有工作流程中！

今天，我們在 SiliconFlow 上發布Ling-1T——Ling 2.0 系列中的第一個旗艦非思考模型。它擁有 1 萬億參數和約 500 億活動參數/標記，針對複雜任務的高效推理進行了優化。它還擅長將複雜的自然語言描述轉化為可執行代碼，解決競賽級數學問題，並生成平衡美觀與功能性的前端界面。更重要的是，它以更短的推理鏈實現更高的準確性，這轉化為更快的響應、成本更低和更可靠的輸出。

使用 SiliconFlow 的 Ling-1T API，您可以期待：

具競爭力的價格：Ling-1T $0.57/百萬標記（輸入）和 $2.28/百萬標記（輸出）。
擴展上下文窗口：131K 上下文窗口允許您處理更長的文檔，並在複雜任務中保持上下文。
高效的 MoE 架構：總參數達 1 萬億，每個標記約有 500 億活動參數，在沒有全密度模型計算負擔的情況下提供強大的推理能力。
Evo-CoT 優化：預訓練超過 20 萬億高質量、推理密集的標記，通過進化思維鏈 (Evo-CoT) 過程，加強多步驟問題解決的能力。

關鍵特性與基準性能

推理是智慧的基石。Ling-1T 進一步推進這一點，通過結合高效的推理與創意生成，橫跨兩個關鍵維度表現出色：

美學理解與前端生成
- 將想法轉化為優雅的前端代碼：Ling-1T 解讀 UI 意圖並將自然語言翻譯為乾淨、功能性的介面。
- 代碼看起來如運行般完美：其混合的語法–功能–美學獎勵系統確保每行代碼都平衡了正確性、可用性和視覺吸引力。
- 排名第一於 ArtifactsBench：Ling-1T 在前端生成方面表現突出。向下滾動查看通過 SiliconFlow API 創建的演示。

百萬億級的突現智能
- 隨著智能的擴展：在百萬億級揭示出現推理和轉移能力，在 BFCL V3 上以最少的調整達成約 70% 工具調用準確度。
- 理解您的意圖：準確解讀複雜的自然語言指令，將意圖與推理對齊，以生成可靠的、以目標為導向的響應。
- 橋接邏輯和設計：將抽象的想法或推理步驟轉化為功能性的視覺組件，幫助您更快地原型化並擁有更清晰的邏輯。
- 跨平台構建：生成可跨平台響應的前端代碼，準備隨時部署，僅需最少調整。
- 寫作風格和上下文：生產符合您的語氣、受眾和品牌認同的市場文案和多語言文本。

為確保公平和全面的評估，Ling-1T 也被用來對比開源和封閉源的旗艦模型，包括DeepSeek-V3.1-Terminus、Kimi-K2-Instruct-0905、GPT-5-main和Gemini-2.5-Pro。

在代碼生成、軟件開發、競賽級數學、專業數學和邏輯推理方面，Ling-1T 一直提供優越的複雜推理性能，並展示了明顯的整體優勢超越這些領先的模型。

在 AIME 25 基準中，Ling-1T 擴展了推理準確性與推理長度的帕累托前沿，以較少的推理步驟實現更高的準確性。

對於從事複雜推理、數學分析或多步問題的開發人員來說，這意味著更快的結果和更高的精確度。

模型架構與訓練

關鍵架構創新：

基於 Ling 2.0 架構並由 Ling 擴展定律指導，Ling-1T 自下而上為百萬億級效率而設計，確保任何規模的穩定推理性能：

1 萬億總參數 / 500 億活動參數，具有 1/32 MoE 激活比率
MTP 層用於增強組合推理
無輔助損失的 Sigmoid 評分專家路由，帶有零均值更新
QK 正規化，實現完全穩定的收斂

訓練效率：

Ling-1T 利用 FP8 混合精度訓練，成為已知最大的以此方式訓練的基礎模型。結合異質流水線優化和 WSM 學習率調度器，訓練實現了超過40%的端到端加速，同時保持在百萬億級的穩定性。

預訓練：

Ling-1T 基於超過 20 萬億高質量標記進行預訓練，其中超過 40%的數據用於推理密集數據。這一基礎使得 Ling-1T 在邏輯、多步驟問題解決和複雜分析方面具有天生的強項。

為進一步增強這些能力，在中期訓練中集成了精心策劃的思維鏈數據，提高推理穩定性和泛化能力。

後訓練：

Ling-1T 通過先進的優化不斷提高其推理能力：

Evo-CoT（進化性思維鏈）：漸進提高推理精準度和效率，使得計算步驟更少但更具邏輯性。
LPO（語言單位策略優化）：在句子級別優化學習，將獎勵對齊與自然語言意義，而不是標記序列。

立即開始

1. 探索：在SiliconFlow Playground中嘗試Ling-1T。
2. 整合：使用我們與 OpenAI 相容的 API。在SiliconFlow API 文檔中探索完整 API 規範。

import requestsurl = "https://api.siliconflow.com/v1/chat/completions"payload = {    "model": "inclusionAI/Ling-1T",    "messages": [        {            "role": "user",            "content": "Tell me a story"        }    ],    "stream": True,    "max_tokens": 4096,    "enable_thinking": False,    "thinking_budget": 4096,    "min_p": 0.05,    "stop": [],    "temperature": 0.7,    "top_p": 0.7,    "top_k": 50,    "frequency_penalty": 0.5,    "n": 1,    "response_format": { "type": "text" },    "tools": [        {            "type": "function",            "function": {                "description": "<string>",                "name": "<string>",                "parameters": {},                "strict": False            }        }    ]}headers = {    "Authorization": "Bearer <token>",    "Content-Type": "application/json"}response = requests.post(url, json=payload, headers=headers)print(response.json())

立即開始使用 SiliconFlow 的量產 API 構建 Ling-1T - 提供百萬億級推理效率和可靠性。

商務或銷售查詢 →

立即加入我們的 Discord 社區 →

在 X 上關注我們以獲取最新動態 →

探索 SiliconFlow 上的所有可用模型 →

前一篇