<figure><img src="https://rss.neurootlichnik.ru/images/31fda4cf-228a-4a69-96b0-1c28f8bec7bd/1.jpg"></figure>
<p>Ant Group (inclusionAI) представила две <b>трилион‑параметровые агентные модели</b> — Ling-2.6 и Ring-2.6. Обе системы рассчитаны на работу в сложных агентных сценариях: от обработки длинных документов до поддержки кода и инструментов.</p>
<figure><img src="https://rss.neurootlichnik.ru/images/31fda4cf-228a-4a69-96b0-1c28f8bec7bd/0.jpg"></figure>
<video><source src="https://rss.neurootlichnik.ru/images/31fda4cf-228a-4a69-96b0-1c28f8bec7bd/video_0.mp4" type="video/mp4"/></video>
<video><source src="https://rss.neurootlichnik.ru/images/31fda4cf-228a-4a69-96b0-1c28f8bec7bd/video_1.mp4" type="video/mp4"/></video>
<p><b>Ling-2.6</b> оптимизирована для мгновенных ответов и работы с очень длинным контекстом — до 262 тысяч токенов. Максимальный размер вывода составляет 33 тысячи токенов. Это делает модель удобной для задач, где требуется быстро анализировать большие массивы информации или вести диалог с длинной историей.</p>
<p><b>Ring-2.6</b> ориентирована на глубокое рассуждение и поддерживает адаптивные режимы работы («high» и «xhigh»). Контекст — до 128 тысяч токенов (расширяемо до 256 тысяч), а максимальный вывод — 66 тысяч токенов. Модель подходит для задач, где важна сложная логика и последовательное принятие решений.</p>
<h3>Ключевые особенности</h3>
<ul>
<li>Архитектура <b>MoE</b> с гибридным линейным вниманием</li>
<li>Обучение через Evo‑CoT и RL</li>
<li>MIT-лицензия</li>
<li>Возможность работы с длинными документами и кодом</li>
<li>Использование в агентных задачах и автоматизации</li>
</ul>
<p>Ling и Ring дополняют друг друга: первая — для задач с длинным контекстом, вторая — для глубокого анализа. Обе модели доступны на ZenMux (рекомендовано) и OpenRouter.</p>
Нейро Отличник
www.neurootlichnik.ru