/ Модель

Характеристики

Контекст
16 384 токена
Параметры
1,5 млрд
Размер весов
40,3 ГБ
Лицензия
MIT
Архитектура
bailing_moe_linear · MoE
Базовая модель
Ling-lite
Библиотека
transformers
Опубликована
24 апр 2025

Ring-lite-linear-preview

Генерация текстаТекст → текст5 профессий

Гибридная линейная MoE-модель InclusionAI для диалоговой генерации текста и многошаговых рассуждений, включая математику.

127скачиваний за 30 дней38лайковвеса обновлены18 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ring-lite-linear-preview — созданная InclusionAI гибридная линейная MoE-модель для генерации текста и рассуждений в диалоге. В README указано 17,1 млрд параметров, из которых активируются 3 млрд; архитектура в метаданных обозначена как Bailing MoE Linear. Модель получена преобразованием Ling-lite-0220 с softmax-attention-архитектурой, а метаданные связывают её с inclusionAI/Ling-lite как с базовой моделью для дообучения.

Модель предназначена для многошаговых рассуждений, в том числе решения математических задач и ответов на вопросы. Авторы заявляют контекст до 64 тыс. токенов и снижение вычислительных затрат за счёт гибридного линейного внимания; метаданные каталога указывают нативный контекст 16 384 токена. В README приведены результаты на AIME24 и MATH-500, а также заявление об увеличении пропускной способности генерации в тестах на vLLM.

Модель поддерживает китайский и английский языки, принимает текст и генерирует текст. Для работы README указывает Transformers версии 4.48.3 или новее и flash-linear-attention версии 0.2.1 или новее. Лицензия — MIT. Результаты производительности приведены авторами и зависят от настроек оценки и развёртывания.

Сценарии применения

  • решение математических задач и олимпиадных примеров
  • пошаговое объяснение логических задач
  • ответы на вопросы на китайском и английском языках
  • диалоговая генерация текста с длинным контекстом

Ограничения

Заявленные контекстные пределы расходятся: README указывает 64 тыс. токенов, а метаданные — нативный контекст 16 384 токена. Результаты бенчмарков и ускорения приведены авторами и могут зависеть от конфигурации оценки и оборудования.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ring-lite-linear-preview

Introduction

Ring-lite-linear-preview is a hybrid-linear MoE LLM provided and open-sourced by InclusionAI, which has 17.1B parameters with 3.0B activated parameters. It is a long reasoning model based on hybrid-linear attention, achieving near-linear computational complexity and near-constant space complexity during inference. This model was converted from Ling-lite-0220, which adopts the softmax attention-based architecture. It matches the performance of DeepSeek-R1-Distill-Qwen-7B on standardized reasoning benchmarks while substantially reducing computational overhead in both training and inference phases. In certain generation speed tests based on vLLM, we observed that the throughput was more than doubled compared to softmax attention models of the same scale (e.g., Ling-lite). To the best of our knowledge, it is the first open-source hybrid-linear reasoning language model.

Model Downloads

Model#Total Params#Activated ParamsContext LengthDownload
Ring-lite-linear-preview17.1B3.0B64K🤗 HuggingFace

Evaluation

In terms of the evaluation of reasoning ability, Ring-lite-linear-preview achieves 55.0 on AIME24 and 93.8 on MATH-500.

ModelAIME24MATH-500GPQA-diamondLiveCodeBench
DeepSeek-R1-Distill-Qwen-7B (reported)55.592.849.137.6
DeepSeek-R1-Distill-Qwen-7B (reproduce)53.293.750.436.5
Ring-lite-distill-preview-Stage-154.293.547.532.9
Ring-lite-linear-preview55.093.846.529.8

Inference Speed

To evaluate the generation throughput, we deploy Ring-lite-linear and the softmax-attention-based Ring-lite based on vLLM on a single NVIDIA A100 GPU. We conduct two sets of experiments:

  1. Long Input Evaluation: We measure the time-to-first-token (TTFT) with varying input sequence lengths (from 512 to 384k tokens) using batch size 1 and TP=1. As shown in the top figure, at 384k input length, Ring-lite-linear achieves 3.5× faster TTFT compared to the softmax-attention-based model.

  2. Long Output Evaluation: We fix the input sequence length to 1 and measure the end-to-end (E2E) generation time required for generating output sequences of varying lengths (from 512 to 32k tokens) with batch size 64 and TP=1. As illustrated in the bottom figure, at 32k output length, Ring-lite-linear achieves 2.2× throughput of the softmax-attention-based Ring-lite.

These results demonstrate that our hybrid linear attention mechanism significantly improves both input processing efficiency and generation throughput, especially for long context scenarios.

Additionally, to illustrate the advantage in inference speed, we present a comparison between Ring-lite-linear-preview and softmax-attention-based Ring-lite under a batch size of 64 and an output length of 16k (60x speedup). It can be observed that the KV cache usage of Ring-lite-linear-preview is nearly 1/6 that of Ring-lite, and the E2E time is reduced by 27.24% compared with Ring-lite.

More details will be reported in our technical report [TBD]

Requirements

Quickstart

Here is a code snippet to show you how to use the chat model with modelscope:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "inclusionAI/Ring-lite-linear-preview"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "Give me a short introduction to large language models."
messages = [
    {"role": "system", "content": "You are Ring, an assistant created by inclusionAI"},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=8192
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

Deployment

Please refer to Github

Dataset

The long reasoning sft data: Ring-lite-distill-preview-sft-data

License

This code repository is licensed under the MIT License.

Citation

[TBD]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
BailingMoeLinearForCausalLM
Ревизия весов
a1f2ea6

0 моделей