La plupart des modèles open-source les plus performants vous obligent à choisir : intelligence brute ou efficacité token. Les modèles de réflexion brûlent 3 à 5 fois plus de tokens par requête. Les modèles non-raisonnants plus petits réduisent les coûts mais limitent les capacités. Ling-2.6-1T est conçu pour briser ce compromis.
Ling-2.6-1T est un modèle phare complet à l’échelle du trillion d’Ant Group (inclusionAI), conçu pour l’exécution immédiate de tâches. Construit sur l’architecture MLA + Attention Linéaire Hybride, il atteint un rapport intelligence/token supérieur : performances de benchmark solides avec un minimum de frais généraux de tokens de sortie. Sur AIME26, il surpasse significativement les autres modèles non-raisonnants. Sur les benchmarks d’exécution d’agents — SWE-bench Verified, BFCLv4, TAU2-Bench, Claw-Eval — il atteint le SOTA open-source. Désormais exclusivement soutenu par Novita AI en tant que fournisseur d’inférence.
En bref : Ling-2.6-1T offre des capacités de pointe complètes pour les charges de travail d’agents — raisonnement complexe, utilisation d’outils, exécution multi-étapes et suivi d’instructions longs contextes — pour une fraction du coût token des modèles de réflexion.
Essayez Ling-2.6-1T soutenu par Novita AI
Qu’est-ce que Ling-2.6-1T ?
Ling-2.6-1T est le dernier modèle phare de inclusionAI, la branche de recherche en IA d’Ant Group (AntLingAGI). Il s’agit d’un modèle Mixture-of-Experts de 1 billion de paramètres — le plus grand modèle de base entraîné en FP8 jamais publié — entraîné sur plus de 20 billions de tokens de haute qualité avec plus de 40 % de données denses en raisonnement dans les étapes ultérieures.
Contrairement aux modèles de réflexion (DeepSeek-R1, QwQ) qui produisent de longues chaînes de pensée avant de répondre, Ling-2.6-1T utilise un mécanisme de « pensée rapide » : il intériorise le raisonnement sans externaliser des chaînes de pensée verbeuses. Cela maintient une sortie token légère tout en conservant une profondeur analytique solide. Environ 50 milliards de paramètres sont activés par token, rendant l’inférence pratique à l’échelle du trillion.
- Architecture : MLA + Attention Linéaire Hybride, 1T paramètres totaux, ~50B paramètres actifs par token
- Fenêtre de contexte : 262 144 tokens (via YaRN rope scaling), sortie max 32 768 tokens
- Entraînement : Précision mixte FP8, 20T+ tokens, >40% données denses en raisonnement
- Paradigme : Pensée rapide — raisonnement intériorisé, pas de sortie de chaîne de pensée verbeuse
- Licence : MIT — poids entièrement ouverts
- Disponibilité : Exclusivement soutenu par Novita AI (fournisseur OpenRouter)
Principales caractéristiques : Pourquoi Ling-2.6-1T se démarque
Rapport intelligence/token supérieur
Les modèles de réflexion produisent des résultats impressionnants mais gonflent votre facture de tokens — des centaines de tokens de raisonnement avant la réponse réelle. Ling-2.6-1T a été entraîné avec Evolutionary Chain-of-Thought (Evo-CoT) en milieu d’entraînement, intériorisant le raisonnement plutôt que de l’externaliser. Le résultat : des scores de benchmark solides sur AIME26 (surpassant les autres modèles non-raisonnants), LiveCodeBench et Omni-MATH — sans payer pour le processus de pensée. Selon la fiche technique officielle du modèle, il atteint une efficacité intelligence-sortie à égalité avec GPT-5.4 (Non-Raisonnant), représentant un bond majeur par rapport à son prédécesseur Ling-1T. Pour les charges de travail de production à haut débit, cela réduit directement les coûts.
SOTA open-source pour l’exécution d’agents
Les charges de travail d’agents nécessitent plus que des mathématiques et du codage isolés — elles nécessitent l’utilisation d’outils, l’exécution multi-étapes et un suivi fiable des instructions dans des conditions réelles. Ling-2.6-1T atteint le SOTA open-source sur les principaux benchmarks agents (selon la fiche technique inclusionAI) :
- SWE-bench Verified — résolution de tâches de génie logiciel réelles
- BFCLv4 — Berkeley Function-Calling Leaderboard v4, utilisation complexe d’outils
- TAU2-Bench — achèvement de tâches agentiques à long horizon
- Claw-Eval — exécution de commandes multi-tours
- PinchBench — évaluation composite des capacités agentiques
Sur LiveCodeBench (Août 2024–Mai 2025), il obtient un score de 61,68 — surpassant DeepSeek-V3.1 (48,02), Kimi-K2-0905 (48,95) et GPT-5-main (48,57) de plus de 13 points. Pour la génération front-end, le score ArtifactsBench est de 59,31 — seulement deuxième derrière Gemini-2.5-Pro(lowthink) à 60,28 dans ce groupe de comparaison (selon la fiche technique inclusionAI).
Contexte long + suivi d’instructions
Avec 262 144 tokens de contexte (YaRN rope scaling), Ling-2.6-1T peut contenir des bases de code entières, des documents longs ou des conversations agentiques multi-tours étendues en un seul appel. Sur le benchmark MRCR (gamme de contexte 16K–256K), il maintient constamment une précision de récupération — une exigence critique pour les pipelines agentiques qui traitent de longues sorties d’outils ou de corpus de documents. Le score IFBench est de 56,9 %, démontrant un suivi solide d’instructions complexes dans un contexte étendu.
Performances des benchmarks
Des mesures indépendantes d’Artificial Analysis placent Ling-2.6-1T à un indice d’intelligence de 33,6 — meilleur que 73 % des 495 modèles mesurés, et #2 dans la classe des grands modèles non-raisonnants à poids ouverts. Voici les scores auto-déclarés de la fiche technique inclusionAI (comparaison avec DeepSeek-V3.1-terminus, Kimi-K2-0905, GPT-5-main et Gemini-2.5-Pro(lowthink)), suivis des scores AA vérifiés indépendamment.
Mathématiques et raisonnement (selon la fiche technique inclusionAI)
| Benchmark | Ling-2.6-1T | DeepSeek-V3.1 | Kimi-K2-0905 | GPT-5-main | Gemini-2.5-Pro* |
|---|---|---|---|---|---|
| AIME26 | 70.42 | 55.21 | 50.16 | 59.43 | 70.10 |
| Omni-MATH | 74.46 | 64.77 | 62.42 | 61.09 | 72.02 |
| OptMATH | 57.68 | 35.99 | 35.84 | 39.16 | 42.77 |
| FinanceReasoning | 87.45 | 86.44 | 84.83 | 86.28 | 86.65 |
| BBEH | 47.34 | 42.86 | 34.83 | 39.75 | 29.08 |
| KOR-Bench | 76.00 | 73.76 | 73.20 | 70.56 | 59.68 |
| ARC-AGI-1 | 43.81 | 14.69 | 22.19 | 14.06 | 18.94 |
*Gemini-2.5-Pro(lowthink). Source : fiche technique inclusionAI. Dernière vérification : 24/04/2026.
Performances de code (selon la fiche technique inclusionAI)
| Benchmark | Ling-2.6-1T | DeepSeek-V3.1 | Kimi-K2-0905 | GPT-5-main | Gemini-2.5-Pro* |
|---|---|---|---|---|---|
| LiveCodeBench | 61.68 | 48.02 | 48.95 | 48.57 | 45.43 |
| MultiPL-E | 77.91 | 77.68 | 73.54 | 76.66 | 71.48 |
| Classement CodeForces | 1901 | 1582 | 1574 | 1120 | 1675 |
| FullStack Bench | 56.55 | 55.48 | 54.00 | 50.92 | 48.19 |
| ArtifactsBench | 59.31 | 43.29 | 44.87 | 41.04 | 60.28 |
| Édition de code Aider | 83.65 | 88.16 | 85.34 | 84.40 | 89.85 |
*Gemini-2.5-Pro(lowthink). Source : fiche technique inclusionAI. Dernière vérification : 24/04/2026. Note : les noms de version de modèle (par ex. “gpt-5-main”, “DeepSeek-V3.1-terminus”) sont tels que rapportés par inclusionAI et peuvent ne pas correspondre aux versions publiées publiquement.
Benchmarks d’exécution d’agents (selon la fiche technique inclusionAI)
Ling-2.6-1T atteint le SOTA open-source sur les évaluations spécifiques aux agents. Les scores exacts des concurrents ne sont pas publiés pour tous les benchmarks ; les résultats sont listés tels que rapportés dans la fiche technique officielle.
| Benchmark | Ce qu’il mesure | Ling-2.6-1T |
|---|---|---|
| SWE-bench Verified | Résolution de problèmes GitHub réels | SOTA open-source |
| BFCLv4 | Appel de fonction/outil complexe multi-étapes | SOTA open-source |
| TAU2-Bench | Achèvement de tâches agentiques à long horizon | SOTA open-source |
| Claw-Eval | Exécution de commandes multi-tours | SOTA open-source |
| PinchBench | Capacité agentique composite | SOTA open-source |
| IFBench | Suivi d’instructions complexes | 56.9% |
Source : fiche technique inclusionAI. “SOTA open-source” tel que revendiqué par inclusionAI ; données par score indépendantes non encore disponibles. Dernière vérification : 24/04/2026.
Benchmarks indépendants (Artificial Analysis)
| Métrique | Ling-2.6-1T | Notes |
|---|---|---|
| Indice d’intelligence AA | 33.6 | Meilleur que 73% des 495 modèles |
| Indice de codage AA | 33.0 | Meilleur que 78% des modèles |
| Indice agentique AA | 48.2 | Meilleur que 80% des modèles |
| GPQA Diamond | 75.2% | Raisonnement scientifique de niveau graduate |
| τ²-Bench Telecom | 89.8% | Tâches agentiques conversationnelles |
| IFBench | 56.9% | Suivi d’instructions |
| Vitesse de sortie | 67.7 tok/s | Via Novita AI sur OpenRouter |
Source : Artificial Analysis. Dernière vérification : 24/04/2026.
Comment utiliser Ling-2.6-1T soutenu par Novita AI
Option 1 : Playground (Sans code)
Essayez le modèle instantanément à novita.ai/models/model-detail/inclusionai-ling-2.6-1t — aucune configuration requise. Utile pour tester rapidement des prompts avant de les intégrer à votre application.
Option 2 : API (Python)
Ling-2.6-1T est entièrement compatible OpenAI. Remplacez par votre clé API Novita et l’ID du modèle :
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="VOTRE_CLE_API_NOVITA",
)
response = client.chat.completions.create(
model="inclusionai/ling-2.6-1t",
messages=[{"role": "user", "content": "Votre prompt ici"}],
temperature=0.7,
top_p=0.95,
)
print(response.choices[0].message.content)
Obtenez votre clé API à novita.ai/settings. Le modèle prend également en charge le streaming, l’appel de fonction via tool_use et la sortie structurée.
Option 3 : Outils tiers
Puisque Novita AI est compatible OpenAI, Ling-2.6-1T fonctionne avec tout outil qui accepte une URL de base personnalisée — y compris Cursor, Claude Code, OpenWebUI, LangChain et LlamaIndex. Définissez l’URL de base sur https://api.novita.ai/v3/openai et le modèle sur inclusionai/ling-2.6-1t.
Cas d’utilisation
La combinaison de la capacité de 1T paramètres, du paradigme de pensée rapide et du contexte 262K de Ling-2.6-1T en fait un choix idéal pour :
- Agents de codage : Avec un classement CodeForces de 1901 et de bons scores LiveCodeBench, il gère des tâches de programmation de niveau compétitif. Associez-le au Novita Agent Sandbox pour une exécution de code entièrement isolée sans gérer l’infrastructure.
- Analyse financière : 87,45 sur FinanceReasoning (#1 dans son groupe de comparaison selon la fiche technique inclusionAI) le rend adapté à l’analyse automatisée de rapports, au résumé de résultats et aux flux de travail de recherche quantitative.
- Génération front-end : La récompense Hybride Syntaxe–Fonction–Esthétique dans l’entraînement cible spécifiquement la qualité du code UI. Le score ArtifactsBench de 59,31 est le deuxième plus élevé de son groupe de comparaison — seulement 0,97 points derrière Gemini-2.5-Pro(lowthink).
- Traitement de longs documents : La fenêtre de contexte de 262 144 tokens gère des documents de plusieurs centaines de pages, l’analyse complète de dépôts ou des corpus juridiques/de recherche étendus en un seul appel.
- API de production à volume élevé : Le paradigme non-raisonnant signifie des nombres de tokens prévisibles et une faible variance de latence — important lorsque vous exécutez des milliers de requêtes par jour.
Migrer depuis DeepSeek V3 ou Kimi K2 ?
Si vous utilisez actuellement DeepSeek V3 ou Kimi K2 via un autre fournisseur, passer à Ling-2.6-1T soutenu par Novita AI est une modification d’une seule ligne — même API compatible OpenAI, même format de requête. L’ID du modèle devient inclusionai/ling-2.6-1t.
Sur les tâches de codage, Ling-2.6-1T surpasse à la fois DeepSeek-V3.1 et Kimi-K2-0905 sur LiveCodeBench (61,68 contre 48,02 et 48,95), et en raisonnement mathématique, il les devance tous les deux sur AIME26 et OptMATH. Si vos charges de travail sont intensives en raisonnement mais que vous ne voulez pas la verbosité de la chaîne de pensée, c’est la voie de migration la plus propre par rapport au passage à un modèle de réflexion.
Tarification
| Modèle | Entrée ($/1M tokens) | Sortie ($/1M tokens) | Contexte |
|---|---|---|---|
| Ling-2.6-1T (Novita AI) | $0,30 | $2,50 | 262 144 |
| DeepSeek V3.2 | $0,28 | $0,42 | 128K |
| Qwen3-235B-A22B | $0,455 | $1,82 | 131K |
| Kimi K2 (OpenRouter) | $0,57 | $2,30 | 131K |
Tarification Novita AI via novita.ai. Tarification concurrents via OpenRouter. Dernière vérification : 24/04/2026.
Le prix de sortie de Ling-2.6-1T (2,50 $/M) est plus élevé que celui de DeepSeek V3.2 — le compromis est des performances de benchmark significativement plus fortes sur les tâches de raisonnement et de codage. Si le coût token par appel est la contrainte principale, Ling-2.6-flash (104B paramètres, 7,4B actifs) est le petit frère moins cher et également disponible exclusivement via Novita AI.
Niveau gratuit : Ling-2.6-1T est disponible gratuitement via le endpoint inclusionai/ling-2.6-1t:free sur OpenRouter, fourni exclusivement par Novita AI. Cette fenêtre gratuite est limitée dans le temps — vérifiez la disponibilité actuelle à openrouter.ai/inclusionai/ling-2.6-1t:free.
Conclusion
En résumé : Ling-2.6-1T est actuellement le modèle non-raisonnant à poids ouverts le plus fort pour les benchmarks de mathématiques compétitives et de codage, et la meilleure option open-source si vous avez besoin d’un contexte 262K sans payer pour la verbosité de la chaîne de pensée. Ce n’est pas l’option la moins chère par token, mais pour les tâches de raisonnement complexes où les modèles de réflexion gonfleraient votre facture, c’est l’alternative open-source de pointe la plus pratique disponible aujourd’hui.
Exclusivement soutenu par Novita AI — le seul fournisseur proposant à la fois Ling-2.6-1T et Ling-2.6-flash sur OpenRouter — vous obtenez un endpoint d’inférence stable, une disponibilité de 99,9 % et une API compatible OpenAI sans gérer vous-même le déploiement minimum de 32 GPU.
FAQ
Qu’est-ce que Ling-2.6-1T ?
Ling-2.6-1T est un modèle de langage Mixture-of-Experts de 1 billion de paramètres développé par Ant Group (inclusionAI). Il active environ 50 milliards de paramètres par token, prend en charge une fenêtre de contexte de 262 144 tokens et est conçu comme un modèle à pensée rapide et non-raisonnant — performances de benchmark solides sans frais généraux de chaîne de pensée. Licence MIT et poids entièrement ouverts.
Comment accéder à Ling-2.6-1T via l’API ?
Définissez base_url="https://api.novita.ai/v3/openai" et model="inclusionai/ling-2.6-1t" dans tout client compatible OpenAI. Obtenez votre clé API à novita.ai/settings. Il est également accessible via OpenRouter en utilisant le même ID de modèle.
Comment Ling-2.6-1T se compare-t-il à DeepSeek V3 ?
Sur les benchmarks auto-déclarés (fiche technique inclusionAI), Ling-2.6-1T surpasse DeepSeek-V3.1 sur AIME26 (70,42 contre 55,21), LiveCodeBench (61,68 contre 48,02) et ARC-AGI-1 (43,81 contre 14,69). DeepSeek V3.2 obtient un score plus élevé sur l’Indice d’Intelligence Artificial Analysis (42 contre 34), mais Ling-2.6-1T offre une fenêtre de contexte plus grande (262K contre 128K) à des prix similaires (0,30 $/M entrée).
Quelle est la fenêtre de contexte de Ling-2.6-1T ?
262 144 tokens (étendue de 128K native via YaRN rope scaling). La longueur maximale de sortie est de 32 768 tokens.
Ling-2.6-1T est-il gratuit à utiliser ?
Oui, temporairement. Le endpoint inclusionai/ling-2.6-1t:free sur OpenRouter est fourni exclusivement par Novita AI. La fenêtre gratuite est limitée dans le temps. Le niveau payant via Novita AI est de 0,30 $/M tokens d’entrée et 2,50 $/M tokens de sortie.
Articles recommandés
- Ling-2.6-flash : 340 Tokens/s, ~7x Efficacité | Novita AI — Le petit frère – quand la vitesse importe plus que l’échelle.
- Quel fournisseur d’inférence choisir pour les agents IA — Comment choisir une API d’inférence pour les charges de travail agentiques.
- Meilleurs fournisseurs d’API d’inférence pour modèles open-source en 2026 — Comparaison complète de qui propose quoi pour les modèles à poids ouverts.
