A maioria dos modelos de código aberto mais capazes força você a escolher: inteligência bruta ou eficiência de tokens. Modelos de raciocínio consomem de 3 a 5 vezes mais tokens por requisição. Modelos menores sem raciocínio cortam custos, mas limitam a capacidade. O Ling-2.6-1T foi criado para quebrar essa troca.
O Ling-2.6-1T é um modelo abrangente em escala de trilhões do Ant Group (inclusionAI), projetado para execução imediata de tarefas. Construído sobre a arquitetura MLA + Hybrid Linear Attention, ele atinge uma relação inteligência/token superior: forte desempenho em benchmarks com baixo custo em tokens de saída. No AIME26, supera significativamente outros modelos sem raciocínio. Em benchmarks de execução de agentes — SWE-bench Verified, BFCLv4, TAU2-Bench, Claw-Eval — alcança SOTA de código aberto. Agora suportado exclusivamente pela Novita AI como provedor de inferência.
Em resumo: o Ling-2.6-1T oferece capacidade de ponta abrangente para cargas de trabalho de agentes — raciocínio complexo, uso de ferramentas, execução em múltiplas etapas e seguimento de instruções em contexto longo — a uma fração do custo de tokens de modelos de raciocínio.
Experimente o Ling-2.6-1T com suporte da Novita AI
O Que é o Ling-2.6-1T?
O Ling-2.6-1T é o modelo mais recente do inclusionAI, o braço de pesquisa em IA do Ant Group (AntLingAGI). É um modelo Mixture-of-Experts de 1 trilhão de parâmetros — o maior modelo base treinado com FP8 já lançado — treinado com mais de 20T de tokens de alta qualidade, com mais de 40% de dados densos em raciocínio nos estágios finais.
Ao contrário de modelos de raciocínio (DeepSeek-R1, QwQ) que geram longos traços de cadeia de pensamento antes de responder, o Ling-2.6-1T usa um mecanismo de “pensamento rápido”: ele internaliza o raciocínio sem externalizar cadeias de pensamento verbosas. Isso mantém a saída de tokens enxuta enquanto preserva uma forte profundidade analítica. Cerca de 50B de parâmetros são ativados por token, tornando a inferência prática na escala de 1T.
- Arquitetura: MLA + Hybrid Linear Attention, 1T de parâmetros totais, ~50B de parâmetros ativos por token
- Janela de contexto: 262.144 tokens (via YaRN rope scaling), saída máxima de 32.768 tokens
- Treinamento: Precisão mista FP8, mais de 20T de tokens, >40% de dados densos em raciocínio
- Paradigma: Pensamento rápido — raciocínio internalizado, sem saída verbosa de cadeia de pensamento
- Licença: MIT — pesos totalmente abertos
- Disponibilidade: Suportado exclusivamente pela Novita AI (provedor no OpenRouter)
Principais Características: Por Que o Ling-2.6-1T se Destaca
Relação Inteligência/Token Superior
Modelos de raciocínio produzem resultados impressionantes, mas inflam sua conta de tokens — centenas de tokens de raciocínio antes da resposta real. O Ling-2.6-1T foi treinado com Evolutionary Chain-of-Thought (Evo-CoT) no treinamento intermediário, internalizando o raciocínio em vez de externalizá-lo. O resultado: pontuações fortes em benchmarks como AIME26 (superando outros modelos sem raciocínio), LiveCodeBench e Omni-MATH — sem pagar pelo processo de pensamento. De acordo com o card oficial do modelo, ele alcança eficiência inteligência-saída equivalente ao GPT-5.4 (Sem Raciocínio), representando um grande salto em relação ao seu predecessor Ling-1T. Para cargas de trabalho de produção de alto throughput, isso reduz diretamente os custos.
SOTA de Código Aberto em Execução de Agentes
Cargas de trabalho de agentes exigem mais do que matemática e programação isoladas — elas exigem uso de ferramentas, execução em múltiplas etapas e seguimento confiável de instruções em condições reais. O Ling-2.6-1T atinge SOTA de código aberto nos principais benchmarks de agentes (de acordo com o card do modelo inclusionAI):
- SWE-bench Verified — resolução de tarefas reais de engenharia de software
- BFCLv4 — Berkeley Function-Calling Leaderboard v4, uso complexo de ferramentas
- TAU2-Bench — conclusão de tarefas agentivas de longo horizonte
- Claw-Eval — execução de comandos em múltiplas rodadas
- PinchBench — avaliação de capacidade agentiva composta
No LiveCodeBench (Agosto 2024–Maio 2025), ele pontua 61,68 — superando DeepSeek-V3.1 (48,02), Kimi-K2-0905 (48,95) e GPT-5-main (48,57) por mais de 13 pontos. Para geração de front-end, a pontuação no ArtifactsBench é 59,31 — perdendo apenas para Gemini-2.5-Pro(lowthink) com 60,28 neste grupo de comparação (de acordo com o card do modelo inclusionAI).
Contexto Longo + Seguimento de Instruções
Com janela de contexto de 262.144 tokens (YaRN rope scaling), o Ling-2.6-1T pode manter bases de código inteiras, documentos longos ou conversas agentivas estendidas de múltiplas rodadas em uma única chamada. No benchmark MRCR (faixa de contexto de 16K a 256K), ele mantém consistentemente a precisão de recuperação — um requisito crítico para pipelines de agentes que processam saídas longas de ferramentas ou corpora de documentos. A pontuação no IFBench é de 56,9%, demonstrando forte seguimento de instruções complexas em contexto estendido.
Desempenho em Benchmarks
Medições independentes do Artificial Analysis colocam o Ling-2.6-1T com um Intelligence Index de 33,6 — melhor que 73% dos 495 modelos medidos, e #2 na classe de modelos grandes sem raciocínio de pesos abertos. Abaixo estão as pontuações auto-relatadas do card do modelo inclusionAI (comparando com DeepSeek-V3.1-terminus, Kimi-K2-0905, GPT-5-main e Gemini-2.5-Pro(lowthink)), seguidas pelas pontuações verificadas independentemente do AA.
Matemática e Raciocínio (por card do modelo 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). Fonte: card do modelo inclusionAI. Última verificação: 24/04/2026.
Desempenho em Código (por card do modelo 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 |
| CodeForces Rating | 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 |
| Aider Code Editing | 83,65 | 88,16 | 85,34 | 84,40 | 89,85 |
*Gemini-2.5-Pro(lowthink). Fonte: card do modelo inclusionAI. Última verificação: 24/04/2026. Nota: os nomes das versões dos modelos (ex.: “gpt-5-main”, “DeepSeek-V3.1-terminus”) são conforme relatados pelo inclusionAI e podem não corresponder a versões publicadas publicamente.
Benchmarks de Execução de Agentes (por card do modelo inclusionAI)
O Ling-2.6-1T atinge SOTA de código aberto em avaliações específicas para agentes. Pontuações exatas dos concorrentes não são publicadas para todos os benchmarks; os resultados listados são conforme relatados no card oficial do modelo.
| Benchmark | O que Mede | Ling-2.6-1T |
|---|---|---|
| SWE-bench Verified | Resolução de issues reais do GitHub | SOTA de código aberto |
| BFCLv4 | Chamada de função/ferramenta complexa em múltiplas etapas | SOTA de código aberto |
| TAU2-Bench | Conclusão de tarefas agentivas de longo horizonte | SOTA de código aberto |
| Claw-Eval | Execução de comandos em múltiplas rodadas | SOTA de código aberto |
| PinchBench | Capacidade agentiva composta | SOTA de código aberto |
| IFBench | Seguimento de instruções complexas | 56,9% |
Fonte: card do modelo inclusionAI. “SOTA de código aberto” conforme reivindicado pelo inclusionAI; dados por pontuação independentes ainda não disponíveis. Última verificação: 24/04/2026.
Benchmarks Independentes (Artificial Analysis)
| Métrica | Ling-2.6-1T | Notas |
|---|---|---|
| AA Intelligence Index | 33,6 | Melhor que 73% dos 495 modelos |
| AA Coding Index | 33,0 | Melhor que 78% dos modelos |
| AA Agentic Index | 48,2 | Melhor que 80% dos modelos |
| GPQA Diamond | 75,2% | Raciocínio científico em nível de pós-graduação |
| τ²-Bench Telecom | 89,8% | Tarefas agentivas conversacionais |
| IFBench | 56,9% | Seguimento de instruções |
| Velocidade de saída | 67,7 tok/s | Via Novita AI no OpenRouter |
Fonte: Artificial Analysis. Última verificação: 24/04/2026.
Como Usar o Ling-2.6-1T com Suporte da Novita AI
Opção 1: Playground (Sem Código)
Experimente o modelo instantaneamente em novita.ai/models/model-detail/inclusionai-ling-2.6-1t — sem necessidade de configuração. Útil para testar prompts rapidamente antes de integrar em seu aplicativo.
Opção 2: API (Python)
O Ling-2.6-1T é totalmente compatível com OpenAI. Substitua pela sua chave de API da Novita e o ID do modelo:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="SUA_CHAVE_DA_NOVITA_API",
)
response = client.chat.completions.create(
model="inclusionai/ling-2.6-1t",
messages=[{"role": "user", "content": "Seu prompt aqui"}],
temperature=0.7,
top_p=0.95,
)
print(response.choices[0].message.content)
Obtenha sua chave de API em novita.ai/settings. O modelo também suporta streaming, chamada de função via tool_use e saída estruturada.
Opção 3: Ferramentas de Terceiros
Como a Novita AI é compatível com OpenAI, o Ling-2.6-1T funciona com qualquer ferramenta que aceite uma URL base personalizada — incluindo Cursor, Claude Code, OpenWebUI, LangChain e LlamaIndex. Defina a URL base como https://api.novita.ai/v3/openai e o modelo como inclusionai/ling-2.6-1t.
Casos de Uso
A combinação do Ling-2.6-1T de capacidade de 1T de parâmetros, paradigma de pensamento rápido e contexto de 262K o torna adequado para:
- Agentes de Código: Com uma classificação CodeForces de 1901 e fortes pontuações no LiveCodeBench, ele lida com tarefas de programação em nível competitivo. Combine-o com o Agent Sandbox da Novita para execução de código totalmente isolada sem gerenciar infraestrutura.
- Análise Financeira: 87,45 no FinanceReasoning (#1 em seu grupo de comparação, de acordo com o card do modelo inclusionAI) o torna adequado para análise automatizada de relatórios, sumarização de resultados e fluxos de trabalho de pesquisa quantitativa.
- Geração de Front-End: A recompensa de Syntax–Function–Aesthetics Híbrida no treinamento visa especificamente a qualidade do código de UI. A pontuação no ArtifactsBench de 59,31 é a segunda mais alta em seu grupo de comparação — apenas 0,97 pontos atrás do Gemini-2.5-Pro(lowthink).
- Processamento de Documentos Longos: Contexto de 262.144 tokens lida com documentos de centenas de páginas, análise completa de repositórios ou corpora legais/de pesquisa extensos em uma única chamada.
- APIs de Produção de Alto Volume: O paradigma sem raciocínio significa contagens de token previsíveis e menor variância de latência — importante quando você está executando milhares de requisições por dia.
Migrando do DeepSeek V3 ou Kimi K2?
Se você está usando atualmente DeepSeek V3 ou Kimi K2 através de outro provedor, mudar para o Ling-2.6-1T com suporte da Novita AI é uma alteração de uma linha — mesma API compatível com OpenAI, mesmo formato de requisição. O ID do modelo se torna inclusionai/ling-2.6-1t.
Em tarefas de codificação, o Ling-2.6-1T supera tanto o DeepSeek-V3.1 quanto o Kimi-K2-0905 no LiveCodeBench (61,68 vs 48,02 e 48,95) e, em raciocínio matemático, lidera ambos no AIME26 e OptMATH. Se suas cargas de trabalho são intensivas em raciocínio, mas você não quer a verbosidade da cadeia de pensamento, este é o caminho de atualização mais limpo em comparação com a mudança para um modelo de raciocínio.
Preços
| Modelo | Entrada ($/1M tokens) | Saída ($/1M tokens) | Contexto |
|---|---|---|---|
| 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 |
Preços da Novita AI via novita.ai. Preços dos concorrentes via OpenRouter. Última verificação: 24/04/2026.
O preço de saída do Ling-2.6-1T ($2,50/M) é maior que o do DeepSeek V3.2 — a compensação é um desempenho significativamente mais forte em benchmarks de raciocínio e codificação. Se o custo de token por chamada é a principal restrição, o Ling-2.6-flash (104B de parâmetros, 7,4B ativos) é o irmão mais barato e também está disponível exclusivamente via Novita AI.
Camada gratuita: O Ling-2.6-1T está disponível gratuitamente através do endpoint inclusionai/ling-2.6-1t:free no OpenRouter, fornecido exclusivamente pela Novita AI. Esta janela gratuita é limitada no tempo — verifique a disponibilidade atual em openrouter.ai/inclusionai/ling-2.6-1t:free.
Conclusão
Resumo: O Ling-2.6-1T é atualmente o modelo de código aberto sem raciocínio mais forte para benchmarks competitivos de matemática e codificação, e a melhor opção de código aberto se você precisar de contexto de 262K sem pagar pela verbosidade da cadeia de pensamento. Não é a opção mais barata por token, mas para tarefas complexas de raciocínio onde modelos de raciocínio inflacionariam sua conta, é a alternativa prática de código aberto de ponta disponível hoje.
Exclusivamente suportado pela Novita AI — o único provedor oferecendo tanto Ling-2.6-1T quanto Ling-2.6-flash no OpenRouter — você obtém um endpoint de inferência estável, 99,9% de uptime e API compatível com OpenAI sem gerenciar a implantação mínima de 32 GPUs por conta própria.
FAQ
O que é o Ling-2.6-1T?
O Ling-2.6-1T é um modelo de linguagem Mixture-of-Experts de 1 trilhão de parâmetros desenvolvido pelo Ant Group (inclusionAI). Ele ativa aproximadamente 50B de parâmetros por token, suporta uma janela de contexto de 262.144 tokens e é projetado como um modelo de pensamento rápido e sem raciocínio — forte desempenho em benchmarks sem a sobrecarga da cadeia de pensamento. Licenciado sob MIT e pesos totalmente abertos.
Como acesso o Ling-2.6-1T via API?
Defina base_url="https://api.novita.ai/v3/openai" e model="inclusionai/ling-2.6-1t" em qualquer cliente compatível com OpenAI. Obtenha sua chave de API em novita.ai/settings. Também está acessível via OpenRouter usando o mesmo ID do modelo.
Como o Ling-2.6-1T se compara ao DeepSeek V3?
Em benchmarks auto-relatados (card do modelo inclusionAI), o Ling-2.6-1T supera o DeepSeek-V3.1 no AIME26 (70,42 vs 55,21), LiveCodeBench (61,68 vs 48,02) e ARC-AGI-1 (43,81 vs 14,69). O DeepSeek V3.2 pontua mais alto no Artificial Analysis Intelligence Index (42 vs 34), mas o Ling-2.6-1T oferece uma janela de contexto maior (262K vs 128K) com preços semelhantes ($0,30/M entrada).
Qual é a janela de contexto do Ling-2.6-1T?
262.144 tokens (estendida de 128K nativa via YaRN rope scaling). O comprimento máximo de saída é de 32.768 tokens.
O Ling-2.6-1T é gratuito para usar?
Sim, temporariamente. O endpoint inclusionai/ling-2.6-1t:free no OpenRouter é fornecido exclusivamente pela Novita AI. A janela gratuita é limitada no tempo. O nível pago via Novita AI é de $0,30/M para entrada e $2,50/M para saída de tokens.
Artigos Recomendados
- Ling-2.6-flash: 340 Tokens/s, ~7x Eficiência | Novita AI — O irmão menor — quando a velocidade importa mais que a escala.
- Qual Provedor de Inferência é Adequado para Agentes de IA — Como escolher uma API de inferência para cargas de trabalho agentivas.
- Principais Provedores de API de Inferência para Modelos de Código Aberto em 2026 — Comparação completa de quem está oferecendo o quê para modelos de pesos abertos.
