Ring-2.6-1Tとは？inclusionAIの1兆パラメータ推論モデルの性能・使い方と動かすのに必要なGPU

Ring-2.6-1Tは、Ant Group系のinclusionAIが2026年5月に公開した総1兆パラメータの推論（thinking）モデルです。重みはHugging FaceでMITライセンスとして配布され、推論の深さをhighとxhighの2段階で切り替えられます。

この記事では、モデルカード・config.json・技術報告（arXiv:2606.15079）・SGLangの公式手順を突き合わせて、仕様、2つの推論モードの使い分け、ベンチマークの読み方、2026年10月時点で実際に使える経路と必要なGPUを整理します。なお、ベンチマーク値はモデルカードと技術報告で一部が食い違っています。

まとめ：Ring-2.6-1Tの要点

• 総パラメータは約1兆、1トークンあたりの活性パラメータは63B（630億）。Lightning AttentionとMLAを7:1で組み合わせたハイブリッド線形アテンションのMoEです。
• 推論モードはhighとxhighの2段階。エージェント処理や関数呼び出しはhigh、数学や難問はxhighが向いています（AIME 2026はhigh 87.86、xhigh 95.78）。
• ベンチマークはモデルカードと技術報告で値が違う項目があります（GPQA-Diamondはカード88.27、報告85.89）。引用するなら測定条件が書かれた技術報告の値を使います。
• OpenRouterにはモデルページが残っていますが、2026年10月8日時点で提供元（endpoints）が0件で、APIからは呼べません。無料枠で試す経路も止まっています。
• 自前で動かすには、FP8の重みだけで約1.04TBあります。SGLangの公式手順が想定するのはH200×8、B200×8、GB300×4のいずれかで、PC1台では動きません。

Ring-2.6-1Tの基本仕様と公開元inclusionAI

仕様は、Hugging Faceのモデルカードとconfig.json、技術報告のTable 1で確認できます。活性パラメータ数はモデルカードに書かれておらず、OpenRouterの説明文と、同じ骨格を持つLing-2.5-1Tのモデルカードに63Bとあります。

公開日は資料ごとに少しずれます。OpenRouterへの掲載が2026年5月8日、EU域内での提供開始日（学習データ要約の記載）が5月11日、Hugging Faceのリポジトリ作成日が5月14日です。技術報告は6月13日にarXivへ投稿されました。YaRNによるコンテキスト拡張の仕組みはRoPEとは：回転位置埋め込みの仕組みとコンテキスト長拡張・実装判断を実装者向けに解説で解説しています。

inclusionAIとAnt Groupの関係

inclusionAIは、Ant Group（アリペイの運営会社）がオープンソースのAIプロジェクトを公開している組織です。GitHubの組織説明には「Ant GroupによるAGIに向けたオープンソースプロジェクト群」と書かれ、モデルカードの画像もAlipayのCDNから配信されています。EU AI法に基づく学習データ要約では、提供者名がAnt Intelligence (Hang Zhou) Technology Co., Ltdとなっています。

LingとRingの役割分担と系譜

技術報告によると、Lingは即答型（instant）で出力トークンあたりの性能を重視し、Ringは深い推論とエージェント処理に向けたモデルです。Ring-2.6-1TとLing-2.6-1Tは同じベースモデルから分かれています。Ringの1兆規模モデルは、Ring-1T（2025年10月）、Ring-2.5-1T（2026年2月）、Ring-2.6-1T（2026年5月）の順で出ています。

2026年7月下旬以降、inclusionAIはLing-3.0-flash（総124B・活性5.1B）など3.0世代のモデルを公開しています。3.0世代のLingは思考モードを既定で有効にしたハイブリッド推論型で、2.6世代までの役割分担とは異なります。ただし10月8日時点で、Hugging FaceにRing-3系の重みはありません。1兆規模の推論モデルでは、Ring-2.6-1Tがまだ最も新しい版です。

Ring-2.6-1Tのアーキテクチャ：ハイブリッド線形アテンションと非同期RL

Ring-2.6-1Tはゼロから学習したモデルではありません。技術報告によると、20Tトークンで学習済みのLing-2.0-1Tのチェックポイントにアテンションを移植し、約9.6Tトークンの追加学習でコンテキストを4Kから256Kまで広げています。MoEそのものの仕組みはMoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説で解説しています。

Lightning AttentionとMLAを7：1で混ぜる理由

技術報告によると、コンテキストが32Kトークンを超えると、計算量の60%超をアテンション層が占めるようになります。そこで8層を1グループとし、7層を線形計算量のLightning Attention、1層をKVキャッシュを低ランクに圧縮するMLAにしています。この比率は、config.jsonの layer_group_size: 8 で指定されている値です。

代償として、活性パラメータは増えています。Ling-2.5-1Tのモデルカードによると、この改造で活性パラメータが51Bから63Bに増えました。それでも、活性32BのKimi K2系の構成より長い出力でのスループットが高い、とinclusionAIは説明しています。

KPop：IcePopの一律制約を置き換えた強化学習

モデルカードには「Ring-1TのIcePopを非同期RLに適用した」とありますが、技術報告では新しいアルゴリズムKPopとして説明されています。IcePopは、学習エンジンと推論エンジンで確率がずれたトークンを、一律の比率で両側からマスクする手法でした。KPopはこの一律の制約をbinary KL divergenceに置き換え、確率の高いトークンと低いトークンでずれ方が違うことを扱えるようにしています。

非同期RLは、ロールアウト（軌跡の生成）とパラメータ更新を別々のパイプラインで動かす構成です。コーディング、検索、ツール利用といった長い軌跡を、1兆規模のモデルで学習するために使われています。モデルカードとarXivで用語が違うため、論文を探すときは「KPop」で検索してください。技術報告は、KPopの詳細をinclusionAIのブログ（ringtech.notion.site/kpop）に任せています。

highとxhighの推論モード：使い分けと指定方法

2つのモードは、学習段階で長さペナルティの強さを変えて作られています。技術報告によると、highは適度な長さペナルティで推論量と簡潔さのバランスを取り、xhighはペナルティを最小にして推論を最大限に深くします。

数学の競技問題ではxhighとhighの差が8〜26ポイント開く一方、関数呼び出しではhighのほうがわずかに高い結果です。エージェントや業務フローの既定はhighとし、証明や難問の検算などでだけxhighに切り替えるのが妥当です。xhighは推論トークンが増えるので、応答時間とトークン課金も増えます。

SGLangでのreasoning_effortの渡し方

SGLangの公式cookbookによると、OpenAI互換APIでhighを使う場合はトップレベルの reasoning_effort に指定します。xhighは chat_template_kwargs 経由でチャットテンプレートに渡します。指定する場所が違います。チャットテンプレートは reasoning_effort を省略するとhighを既定値にするため、何も指定しなければhighで動きます。

# high（エージェント・本番用途の既定）
curl -s http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "auto",
    "messages": [{"role": "user", "content": "Solve: if 3x + 7 = 52, what is x?"}],
    "reasoning_effort": "high",
    "max_tokens": 512
  }'

# xhigh（テンプレート引数として渡す）
curl -s http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "auto",
    "messages": [{"role": "user", "content": "Solve: if 3x + 7 = 52, what is x?"}],
    "chat_template_kwargs": {"reasoning_effort": "xhigh"},
    "max_tokens": 512
  }'

サーバーを --reasoning-parser deepseek-r1 付きで起動すると、<think> ブロックの中身が message.reasoning_content に分かれて返ります。

Ring-2.6-1Tのベンチマーク：モデルカードと技術報告の数値の違い

ベンチマークを引用するときは、まずどちらの資料の値かを確認してください。Ring-2.6-1Tは、Hugging Faceのモデルカードと技術報告のTable 6で、同じ項目の値が一致しないものがあります。

技術報告は試行回数（Avg@64など）とモードを明記しているので、比較の根拠にするなら技術報告の値が適しています。カードには試行回数やモードの記載がなく、公開時点の別の測定とみられます。SGLangのcookbookはカードの値（Telecom 95.32）をそのまま転記しているため、二次情報には両方の値が出回っています。

Ring-2.6-1Tが強い領域と弱い領域

技術報告のTable 6では、比較したモデルの中でPinchBench（OpenClawエージェントの評価）の87.60が最高です。2位のGemini 3.1 Pro（80.00）を7ポイント以上上回っています。ARC-AGI-2の66.18も、オープンウェイトモデルの中では最高です。

一方、SWE-bench Verifiedは74.00で、Kimi K2.6（80.20）とDeepSeek-V4-Pro（80.60）に6ポイント以上届きません。GPQA-Diamondの85.89も、Kimi K2.6の91.10を下回っています。リポジトリ規模のコード修正が主な用途なら、Kimi K2.6とは｜1T-MoEの自律実行モデルの性能・料金・ローカル運用を解説やDeepSeek V4とは？Compressed Sparse Attention(CSA)の仕組みとPro/Flashの性能・料金・移行期限のモデルを先に検討してください。

なお、Table 6で「∗」の付いた値は、inclusionAIが自社で測定した他社モデルのスコアです。第三者の測定では、Artificial AnalysisがGPQA-Diamondを85.7%、τ²-Benchを92.4%と独自に計測しています（2026年10月8日確認）。GPQAは技術報告の85.89に近く、カードの88.27よりも報告側の値に沿う結果です。導入を判断するなら、自社のタスクでも評価してください。

Ring-2.6-1Tを使う3つの経路（2026年10月時点）

2026年10月8日時点でRing-2.6-1Tに触れる経路は、公式Webチャット、OpenRouter、自前デプロイの3つです。このうち、APIとして確実に使えるのは自前デプロイだけです。

OpenRouterの提供状況

OpenRouterには inclusionai/ring-2.6-1t と無料版の inclusionai/ring-2.6-1t:free のページが残っています。しかし、2026年10月8日にOpenRouterのAPI（/api/v1/models/inclusionai/ring-2.6-1t/endpoints）を確認したところ、どちらも endpoints が空配列でした。モデル一覧APIからも外れているため、このIDでリクエストしても推論結果は得られません。

同じ日のモデル一覧では、inclusionAIのモデルとして inclusionai/ling-3.1-flash（総560B・活性25B）や inclusionai/ling-3.0-flash（総124B・活性5.1B）などが提供されていました。どちらも思考モードを持つハイブリッド推論型で、Ling-3.0-flashのモデルカードは、主要ベンチマークでRing-2.6-1Tと同等以上としています（自社測定）。ホスト型APIでinclusionAIのモデルを試したい場合は、こちらが現実的な代替です。ただし、1兆規模のRing-2.6-1Tそのものではありません。

OpenRouter以外では、Artificial AnalysisがinclusionAI自身のAPIを提供元として計測しています（入力0.30ドル・出力2.50ドル／100万トークン、2026年10月8日確認）。ただし、このAPIの申込窓口はモデルカードにも技術報告にも書かれていません。ZenMuxのモデル一覧にもRing-2.6-1Tは残っていますが、料金が表示されていません。

SGLangでの自前デプロイと必要GPU

Hugging Faceのリポジトリは175個のsafetensorsシャードで構成され、ファイルの合計は約1,042GBです。配布されているのはFP8版だけで、GGUFなどの量子化版は2026年10月8日時点で公開されていません。SGLangのcookbookで動作確認されている構成は次の3つです。なお、モデルカード自身の起動例は8GPU×4ノード（--tp-size 8 --pp-size 4 --nnodes 4）で、antgroup版SGLangのビルドを前提にしています。

出力速度は、入力・出力とも最大1,024トークンのランダムなプロンプト10件（実際の合計は入力6,101・出力4,220トークン）を同時実行数1で流した、SGLang 0.5.11の計測値です。GB300×4ではロード後に1GPUあたり約238.5GBを使うため、--mem-fraction-static を下げるとKVプールの初期化で失敗する、とcookbookに書かれています。

# H200×8の例（B200×8は --mem-fraction-static 0.8、GB300×4は --tp-size 4）
sglang serve \
  --model-path inclusionAI/Ring-2.6-1T \
  --tp-size 8 \
  --trust-remote-code \
  --host 0.0.0.0 \
  --port 30000 \
  --mem-fraction-static 0.95 \
  --model-loader-extra-config '{"enable_multithread_load":"true","num_threads":64}' \
  --tool-call-parser glm \
  --reasoning-parser deepseek-r1

ツール呼び出しのパーサーは glm を指定します。Ringのテンプレートは <arg_key>／<arg_value> 形式のXMLでツール呼び出しを出力し、qwen パーサーではこれを message.tool_calls に変換できないためです。--trust-remote-code も必須です。

vLLMは、同じアーキテクチャクラス（BailingMoeV2_5ForCausalLM）をサポート済みです。ただし、対応表に例として載っているのはLing-2.5-1TとRing-2.5-1Tで、Ring-2.6-1Tは載っていません。vLLMで動かす場合は、事前に検証環境で読み込みを確認してください。推論エンジンの違いはvLLMとは？PagedAttentionの仕組み・使い方とOllama・TensorRT-LLMとの違いを実装者目線で解説を参照してください。

Ring-2.6-1Tの商用利用とライセンス、学習データの開示

重みのライセンスはMITです。Hugging Faceのlicenseタグが mit で、モデルカードのLicense節はRing-V2.5リポジトリのMITライセンスを参照しています。MITでは、著作権表示と許諾表示を残せば、商用利用、改変、再配布ができます。Llama系のような利用者数の上限や、用途を制限する条項はありません。

2026年9月24日には、EU AI法第53条1項(d)に基づく学習データの公開要約（Ring-2.6_TDS-Summary.pdf）が追加されました。ここには、テキストだけで10兆トークン超を学習したこと、データの収集時期が2025年10月頃までであること、英語と中国語を厚くした多言語構成であることが書かれています。収集時期は「2025年10月頃まで」とされているので、それ以降の出来事はほぼ含まれないと考え、新しい製品仕様や法令を扱う用途ではRAGなどで情報を補ってください。

Ring-2.6-1Tの採用を見送るべき場面

• ホスト型APIが前提の場合：OpenRouter経由の提供は止まっています。H200×8相当のGPUを用意できないなら、提供元が稼働しているKimi K2.6やDeepSeek V4のAPIを選ぶほうが確実です。
• リポジトリ規模のコード修正が主な用途の場合：SWE-bench VerifiedでKimi K2.6とDeepSeek-V4-Proに6ポイント以上劣ります。
• 日本語の評価値が必要な場合：技術報告に、JGLUEやJMMLUのような日本語単独のベンチマークはありません（多言語のMMMLUはベースモデルの評価です）。事前学習では日本語コーパスを重点的に増やしたとされていますが、日本語の業務文書で使うなら、自社データでの評価が必須です。

逆に、オンプレミスのGPUクラスタでMITライセンスの推論モデルを動かし、ツール呼び出しを長く連鎖させるエージェント（OpenClaw系など）を組む場合は、PinchBenchの結果から見て有力な候補になります。

Ring-2.6-1Tに関するよくある質問

Ring-2.6-1Tは無料で使えますか？

重みはMITライセンスで、Hugging Faceから無料でダウンロードできます。ただし、OpenRouterの無料版 inclusionai/ring-2.6-1t:free は2026年10月8日時点で提供元が0件のため、呼び出せません。モデルカードは公式Webチャット（ling.tbox.cn）を案内していますが、2026年10月時点で選べるモデルは利用時に確認してください。

Ring-2.6-1Tの主なベンチマークスコアは？

技術報告のTable 6では、xhighでAIME 2026が95.78、ARC-AGI-2が66.18、GPQA-Diamondが85.89です。highではPinchBenchが87.60、ClawEvalが63.82、SWE-bench Verifiedが74.00です。モデルカードには、GPQA-Diamond 88.27など、報告と異なる値が載っています。

Hugging FaceからダウンロードしてローカルPCで動かせますか？

動かせません。FP8の重みだけで約1,042GBあり、SGLangの公式手順もH200×8、B200×8、GB300×4といったデータセンター向けの構成を前提にしています。GGUFなどの量子化版も公開されていません。

Ring-2.6-1TはOpenRouterで使えますか？

2026年10月8日時点では使えません。モデルページは残っていますが、endpoints APIの応答が空で、モデル一覧からも外れています。OpenRouterで使えるinclusionAIのモデルは、Ling-3.1-flashやLing-3.0-flashなど、思考モードを持つハイブリッド推論型のLing 3系です。

RingとLingの違いは何ですか？

2.6世代までのLingは即答型（instant）で、出力トークンあたりの性能を重視しています。Ringは推論型（thinking）で、深い推論と長いエージェント処理に向けたモデルです。2.6世代では、Ling-2.6-1TとRing-2.6-1Tが同じベースモデルから後学習で分かれています。ただし、3.0世代のLing-3.0-flashは思考モードを既定で有効にしたハイブリッド推論モデルで、この分担は当てはまりません。

関連記事

• MoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説
• Kimi K2.6とは｜1T-MoEの自律実行モデルの性能・料金・ローカル運用を解説
• DeepSeek V4とは？Compressed Sparse Attention(CSA)の仕組みとPro/Flashの性能・料金・移行期限
• vLLMとは？PagedAttentionの仕組み・使い方とOllama・TensorRT-LLMとの違いを実装者目線で解説
• RoPEとは：回転位置埋め込みの仕組みとコンテキスト長拡張・実装判断を実装者向けに解説