今天，我们正式推出了 Ring-mini-2.0，这是一款基于 Ling-mini-2.0 架构深度优化的高性能推理型 MoE 模型。Ring-mini-2.0 的总参数量达到 16B，但在实际运行中仅需激活 1.4B 参数，便能实现相当于 10B 级别以下的密集模型的推理能力。
这款模型在逻辑推理、编程和数学任务中表现尤为出色，支持 128K 的长上下文，使得其在各种应用场景中都能展现出强大的能力。此外，Ring-mini-2.0 的生成速度也相当惊人，能够实现 300+token/s 的快速生成，经过优化后更是可以突破 500+token/s。
在推理能力的提升方面，Ring-mini-2.0 在 Ling-mini-2.0-base 的基础上进行了更深层次的训练，通过 Long-COTSFT、大规模 RLVR 和 RLHF 的联合优化，显著增强了模型在复杂推理任务中的稳定性和泛化能力。我们在多个高难度基准测试中，发现其性能显著超越了 10B 以下的密集模型，甚至可以与一些更大型的 MoE 模型相媲美，特别是在逻辑推理方面表现优异。
此外，Ring-mini-2.0 在设计上注重高效性，通过 1/32 的专家激活比和 MTP 层架构优化，实现了约 7-8B 密集模型的等效性能。这种高稀疏度和小激活设计，使得其在 H20 环境下可以实现 300+token/s 的推理速度，同时结合 ExpertDualStreaming 的优化，进一步降低了推理成本。
为了促进学术与工业界的研究和应用，Ring-mini-2.0 的模型权重、训练策略和数据配方将全面开源。我们期待这款 「小而优」 的模型能够成为小型推理模型的
