Ling-2.6-1T: модель с внутренним мышлением обходит конкурентов по точности и снижает затраты в 4 раза!
Команда inclusionAI выложила в открытый доступ веса модели Ling-2.6-1T, и это очень любопытный экземпляр.
Внешнее и внутреннее мышление
Обычные «размышляющие» модели (DeepSeek-R1, o3) перед ответом пишут многострочную цепочку рассуждений: «давайте посмотрим... а что если... не подходит... попробуем так...» Это external reasoning, или мышление на виду. Точность такого подхода высокая, но и цена тоже: количество токенов в 3–5 раз больше, чем сам ответ.
Ling-2.6-1T прошла через Evolutionary Chain-of-Thought при обучении, по сути эволюционную прокачку reasoning-навыков. Итоговая модель сохранила всё это внутри. Она думает, просто не выводит процесс наружу, а выдаёт ответ сразу. Такой подход назвали Internal reasoning, или «fast thinking» в их терминологии.
Практический эффект
- AIME26 — 70,42%, выше DeepSeek-V3.1 (55,21%) и GPT-5-main (59,43%).
- LiveCodeBench — 61,68%, что на 13 процентных пунктов выше DeepSeek-V3.1 (48,02%) и Kimi-K2-0905 (48,95%).
При этом стоимость в 4 раза ниже, чем у размышляющих моделей: вы платите только за ответ, без доплаты за раздумья.
Архитектура и доступность
Архитектура: MLA + Hybrid Linear Attention, около 50 миллиардов активных параметров, контекст 262K. Модель распространяется под MIT-лицензией. Цена: $0,30 за миллион входных и $2,50 за миллион выходных токенов через Novita/OpenRouter.
В качестве иллюстрации разработчики привели бенчмарки, но сравнивали себя с топовыми моделями в не-думающем режиме. Методика, конечно, спорная, но нам интересно, что будет, если добавить в эту модель слой внешнего ризонинга.
Ещё новости:
