Let's Run Ling-2.5 - TRILLION Param Local AI (Sibling of Kimi K2.5 & Qwen 3.5)

Let's Run Ling-2.5 - TRILLION Param Local AI (Sibling of Kimi K2.5 & Qwen 3.5)

Let's Run Ling-2.5 - IA locale à TRILLION de paramètres (Sœur de Kimi K2.5 et Qwen 3.5)

par xCreate · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Actualité & Applications UYInformatiqueUYQIntelligence artificielle (IA)
🎙 xCreate 👥 26K 📅 22 février 2026 ⏱ 19 min 👁 4K 📄 tutoriel 🧭 2026-09-09
Disponible en : Français (actuel) English

Mots-clés

Ling-2.51 trillion paramètresIA localeMixture of ExpertsMac Studio

Résumé

Cette vidéo présente le test pratique du modèle Ling-2.5, un modèle de langage massif de 1 trillion de paramètres développé par Inclusion AI, filiale d’Ant Group. Le créateur compare ses caractéristiques à celles de Kimi K2.5 et Qwen 3.5, soulignant l’utilisation d’une attention linéaire et de MLA. Il démontre l’installation et l’exécution du modèle sur un Mac Studio avec 512 Go de RAM, atteignant environ 15 tokens par seconde avec une quantification 3.7 bits. Il effectue plusieurs tests : des énigmes de codage (regex, gestion des sauts de ligne), des créations web (système solaire 3D, Flappy Bird, clone de TiddlyWiki), ainsi que des tests de logique et de raisonnement. Le modèle réussit certaines épreuves de codage et de logique, mais échoue sur des questions simples comme le lavage de voiture. Le créateur aborde également le contexte d’Ant Group, la relation avec Alibaba et Jack Ma, et fournit une quantification exclusive du modèle sur Hugging Face. La vidéo se termine par une suggestion d’utiliser l’outil pour des applications locales, malgré quelques limitations matérielles.

172 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur principale réside dans la démonstration pratique d’un modèle de très grande taille exécuté en local, avec des benchmarks concrets et des tests de raisonnement. L’argumentation est subjective mais étayée par des exemples chiffrés (tokens par seconde, utilisation mémoire) et des comparaisons directes avec d’autres modèles. Le créateur met en avant l’architecture innovante (attention linéaire + MLA) et montre des réussites et échecs, offrant un aperçu honnête des capacités du modèle en conditions réelles.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est modérée : le créateur cite des benchmarks officiels mais sans les vérifier, et utilise des tests personnels non standardisés. Les sources sont principalement des liens vers la page Hugging Face de la quantification et des vidéos compagnes, avec une absence de références académiques. Le titre correspond bien au contenu, qui est une revue pratique plutôt qu’une analyse théorique approfondie. La présence de liens d’affiliation est clairement signalée, ce qui est transparent.

165 mots

Adéquation titre / contenu

Le titre reflète exactement le contenu : il s'agit de tester le modèle Ling-2.5 localement, avec des comparaisons à Kimi K2.5 et Qwen 3.5.

Qualité & fiabilité

7/10

La vidéo fournit une démonstration concrète et détaillée du modèle, avec des tests pratiques et des comparaisons, mais les affirmations sont personnelles et le format est informel, sans sources externes vérifiables pour la majorité des données.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Ling-2.5-1T-MLX-3.7bit sur Hugging Face — Quantification du modèle Ling-2.5 fournie par le créateur, exclusive sur Hugging Face.
  • Inferencer App — Outil utilisé pour exécuter et tester le modèle localement.
  • Vidéo sur Qwen 3.5 — Vidéo compagnon où le créateur a testé Qwen 3.5 sur le même matériel.
  • Vidéo sur Kimi K2.5 avec OpenClaw — Vidéo companion pour comparer les performances de Ling-2.5.
  • Vidéo sur GLM-5 — Comparaison avec un autre modèle de la même catégorie.
  • Vidéo sur FLUX 2 Klein — Vidéo companion mentionnée dans la description, bien que moins pertinente pour le sujet.

Apport & nouveautés

L’apport original est la fourniture d’une quantification 3.7 bits du modèle Ling-2.5, rendant possible son exécution sur une machine à 512 Go de RAM, et la démonstration de ses capacités en conditions réelles, notamment en codage et en raisonnement. La vidéo met en lumière les compromis entre taille du modèle et performances locales.

Pour aller plus loin :

  • Mixture of experts — Note de pertinence : Architecture clé utilisée par Ling-2.5 pour activer seulement une partie des paramètres.
  • Ant Group — Note de pertinence : Entreprise à l’origine de Ling, avec des informations sur son histoire et sa relation avec Alibaba.
  • Attention linéaire (sans URL fiable) — Concept central de l’architecture de Ling, permettant une meilleure gestion des longs contextes.

120 mots

Profil radar

Le profil radar montre des scores équilibrés, avec une quantité d'information et une qualité technique plutôt élevées, mais une fiabilité modérée en raison d'affirmations personnelles non vérifiées. La valeur globale est bonne pour un public intéressé par l'exécution locale de grands modèles.

Fiabilité 6/10