Каждое внимание имеет значение: эффективная гибридная архитектура для рассуждений в длинных контекстах

Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning

October 22, 2025

Авторы: Ling Team, Bin Han, Caizhi Tang, Chen Liang, Donghao Zhang, Fan Yuan, Feng Zhu, Jie Gao, Jingyu Hu, Longfei Li, Meng Li, Mingyang Zhang, Peijie Jiang, Peng Jiao, Qian Zhao, Qingyuan Yang, Wenbo Shen, Xinxing Yang, Yalin Zhang, Yankun Ren, Yao Zhao, Yibo Cao, Yixuan Sun, Yue Zhang, Yuchen Fang, Zibin Lin, Zixuan Cheng, Jun Zhou

cs.AI

Аннотация

В данном техническом отчете мы представляем серию моделей Ring-linear, включая конкретно Ring-mini-linear-2.0 и Ring-flash-linear-2.0. Ring-mini-linear-2.0 состоит из 16 миллиардов параметров и 957 миллионов активаций, тогда как Ring-flash-linear-2.0 содержит 104 миллиарда параметров и 6,1 миллиарда активаций. Обе модели используют гибридную архитектуру, которая эффективно интегрирует линейное внимание и внимание с использованием softmax, значительно снижая накладные расходы на ввод-вывод и вычисления в сценариях вывода с длинным контекстом. По сравнению с плотной моделью на 32 миллиарда параметров, данная серия снижает стоимость вывода до 1/10, а по сравнению с оригинальной серией Ring стоимость также снижена более чем на 50%. Более того, благодаря систематическому исследованию соотношения различных механизмов внимания в гибридной архитектуре, мы определили оптимальную на данный момент структуру модели. Дополнительно, за счет использования нашей собственной высокопроизводительной библиотеки операторов FP8 — linghe, общая эффективность обучения повышена на 50%. Благодаря высокой согласованности операторов движка обучения и вывода, модели могут проходить долгосрочную, стабильную и высокоэффективную оптимизацию на этапе обучения с подкреплением, сохраняя стабильно передовые результаты (SOTA) на множестве сложных тестовых наборов для проверки рассуждений.

English

In this technical report, we present the Ring-linear model series, specifically including Ring-mini-linear-2.0 and Ring-flash-linear-2.0. Ring-mini-linear-2.0 comprises 16B parameters and 957M activations, while Ring-flash-linear-2.0 contains 104B parameters and 6.1B activations. Both models adopt a hybrid architecture that effectively integrates linear attention and softmax attention, significantly reducing I/O and computational overhead in long-context inference scenarios. Compared to a 32 billion parameter dense model, this series reduces inference cost to 1/10, and compared to the original Ring series, the cost is also reduced by over 50%. Furthermore, through systematic exploration of the ratio between different attention mechanisms in the hybrid architecture, we have identified the currently optimal model structure. Additionally, by leveraging our self-developed high-performance FP8 operator library-linghe, overall training efficiency has been improved by 50%. Benefiting from the high alignment between the training and inference engine operators, the models can undergo long-term, stable, and highly efficient optimization during the reinforcement learning phase, consistently maintaining SOTA performance across multiple challenging complex reasoning benchmarks.