10月9日凌晨，螞蟻集團發布萬億參數的通用語言模型 Ling-1T。Ling-1T是螞蟻百靈大模型Ling 2.0 系列的第一款旗艦模型，也是螞蟻百靈團隊迄今為止推出的規模最大、能力最強的非思考大模型。測評顯示，在有限輸出 Token 條件下，Ling-1T于多項復雜推理基準中取得 SOTA 表現，展示出在高效思考與精確推理之間的卓越平衡。另外，在代碼生成、軟件開發、競賽數學、專業數學、邏輯推理等多項高難度基準測試上，Ling-1T 均取得領先成績，多項指標位居開源模型的榜首。

以競賽數學榜單 AIME 25 （American Invitation Math Examination 25）為例，Ling-1T以平均4000+ Token的消耗達到了70.42%的準確率，優于Gemini-2.5-Pro(平均5000+ Token，準確率70.10%）。Ling-1T用更少的Token實現了更高的準確率，展現出在推理精度和思考效率綜合能力上的優勢。

以 AIME 25 為例，Ling-1T 拓展了推理準確率和平均推理長度的帕累托前沿

據螞蟻百靈團隊透露，Ling-1T 沿用 Ling 2.0 架構，在 20T+ tokens 高質量、高推理濃度的語料上完成預訓練，支持最高 128K 上下文窗口，通過“中訓練+后訓練”的演進式思維鏈（Evo-CoT）極大提升模型高效思考和精準推理能力。

值得一提的是，Ling-1T 全程采用 FP8 混合精度訓練（部分技術已開源），是目前已知規模最大的使用 FP8 訓練的基座模型。這一設計為訓練帶來了顯著的顯存節省、更靈活的并行切分策略和 15%+ 的端到端加速。

在強化學習階段，螞蟻百靈團隊創新性地提出了LPO方法(Linguistics-Unit Policy Optimization，LingPO) ，這是一種以“句子”為粒度的策略優化算法，為萬億參數模型的穩定訓練提供了關鍵支持。這種方法既避免了詞元級別的破碎感，也克服了序列級別的籠統性，使得獎勵信號與模型行為在語義層面實現了更精準的對齊。

另外，螞蟻百靈團隊提出了“語法-功能-美學”的混合獎勵機制，在確保代碼正確、功能完善的同時持續提升這個萬億基座對視覺美學的認知。在 ArtifactsBench 前端能力基準上，Ling-1T 得分59.31，在可視化和前端開發任務領域，僅次于Gemini-2.5-Pro-lowthink的得分60.28。并以顯著優勢位居開源模型榜首。