Ant Group Ling-2.6 シリーズ完全オープンソース：Flashは7.4Bアクティブ、1Tフラッグシップは「実行優先」設計

結論

アントグループ（Inclusion AI / Ant Ling）が4月末に2つのモデルをオープンソース化：Ling-2.6-FlashとLing-2.6-1T。どちらもMoEアーキテクチャ、MITライセンス、BF16/FP8/INT4の3つの精度バージョンを提供。同パラメータ規模のモデルと比較して、Lingシリーズの核心的な違いは極めて低いアクティブパラメータと実行指向設計——ベンチマークスコア稼ぎのマシンではなく、Agentワークロードのためにカスタマイズされたもの。

次元	Ling-2.6-Flash	Ling-2.6-1T
総パラメータ	104B	約1T
アクティブパラメータ	7.4B	約63B
コンテキストウィンドウ	256K	256K+
ライセンス	MIT	MIT
SWE-Bench Verified	62	67+
BFCL-V4	67	72+
TAU2-Bench (Telecom)	93.86	95+

何が起きたのか

Ling-2.6-Flash：超軽量Agentモデル

• 4月29日、Ling-2.6-Flashの重みが正式にオープンソース化。104B総パラメータ、推論ごとに7.4Bのみアクティブ——コンシューマー向けGPU（単一RTX 4090 INT4量子化）で実行可能。
• Ling 2.0をベースにハイブリッド線形アテンションメカニズムを導入。従来のGQAアテンションをより効率的なハイブリッド方式に置き換え、推論レイテンシを大幅に削減。
• SWE-Bench Verified 62、BFCL-V4 67、TAU2-Telecom 93.86——すべてハードなシナリオ指標。

Ling-2.6-1T：フラッグシップ実行モデル

• Flashに続いてLing-2.6-1Tが同日リリース。約1T総パラメータ、約63Bアクティブパラメータ。
• 核心理念は**「実行優先」**（Execution-First）：推論过程中的なトークンの無駄を削減。

アクション

誰が注目すべきか

• Agent開発者：Ling-2.6-Flashの7.4Bアクティブパラメータは低レイテンシーAgent呼び出しに最適
• コスト重視チーム：API呼び出しが多いシナリオではFlashのコスト優位性が顕著
• コンシューマーGPUユーザー：INT4量子化版は単一RTX 4090で104B MoEを実行可能

始め方

# Hugging Faceインストール
pip install transformers accelerate

# Ling-2.6-Flashを読み込む（INT4量子化）
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "InclusionAI/Ling-2.6-Flash",
    device_map="auto",
    torch_dtype="auto"
)

• Hugging Face: huggingface.co/InclusionAI
• ModelScope: modelscope.cn/organization/AntLingAGI