摘要：说到大模型，很多人脑海里第一反应都是“算力怪兽”、“土豪拼参数”，可你知道吗，其实在这条道路上，想跑得快、跑得远，光有参数根本不够用。

说到大模型，很多人脑海里第一反应都是“算力怪兽”、“土豪拼参数”，可你知道吗，其实在这条道路上，想跑得快、跑得远，光有参数根本不够用。

尤其是在“思考更深、推理更长”的领域，光靠堆硬件，稳定性和训练效果都卡脖子。

今年9月，蚂蚁百灵团队直接把业界公认的“难啃骨头”——MoE+长思维链+强化学习，做成了开源礼包，带来了Ring-flash-2.0。

数据一摆出来，真让人眼前一亮：1000亿总参数，只激活6.1亿，数学AIME25拿下86.98分，CodeForces elo分90.23，128K上下文环境下能跑出200+token每秒。

这些数字可能有点抽象，我们拆开聊——

大模型本来就烧钱，MoE（专家混合）架构的最大好处就是省钱省力。

传统大模型，所有参数都得“上场”——好比一场篮球赛，场上坐着一堆替补，主力、替补都得发工资。

而MoE只让最合适那几位“专家”上场，精力和钱都砸在刀刃上。

Ring-flash-2.0只激活总参数的1/16，性能却能和40B dense模型掰手腕，性价比直接拉满。

高速推理，低成本高能效，支持128K超长上下文
说到大模型落地，速度和成本直接决定能不能用。

Ring-flash-2.0得益于高稀疏、小激活的设计，在4张H20卡上，推理速度就能跑到200+token/秒。

更厉害的是，通过YaRN外推，支持128K长上下文，输出长度越长，加速比越高，最高能到7倍。

这意味着什么？在高并发场景下，比如智能客服、文档问答、代码生成，Ring-flash-2.0不仅推理能力强，推理速度也快，算力成本直线下降。

再说个细节，Ring-flash-2.0的开源地址一应俱全，HuggingFace、ModelScope、GitHub全覆盖，科技圈的朋友想研究、想用都能一键到位。

棒冰算法技术核心，小问题变“大翻盘”
其实，棒冰（icepop）算法的核心，就是解决MoE在RL训练中“训推差异”导致的崩盘。

原理很简单，把那些训练和推理概率差异过大的token“遮蔽”掉，不参与梯度回传，这样训练就不会被极端值拖垮。

这种思路看似朴素，效果却极其显著，训练稳定性和推理精度直接提升。

大模型竞争新拐点：高性价比才是硬道理
过往大模型赛道，拼的是谁的参数多、谁的硬件强。

可如今，谁能在保证推理能力的同时，显著降低成本，谁就能笑到最后。

Ring-flash-2.0用100B总参、6.1B激活、200+token/s速度，把“Long-CoT+RL”做到了可大规模落地，还顺手解决了工程稳定性、推理成本、开源生态痛点。

用业内的话说，GPT-4开启了“大模型可用时代”，而Ring-flash-2.0则正式开启了“MoE长思考高性价比时代”。

当下的AI大模型之争，早已不是谁家“肌肉大”，而是谁能在有限资源下，跑得又快又稳。

蚂蚁百灵团队的Ring-flash-2.0，靠棒冰算法和“两段式”RL，硬生生把一块技术难啃骨头，做成了人人可用的开源大礼包。

未来的AI世界，谁抓得住高性价比，谁就能真正走进千家万户。

来源：3分钟娱记一点号