云知声发布 U2-Flash：后训练×RSI 驱动，面向真实任务的新一代高性能模型正式登场

Flash，不再只是效率的代名词，而是主力智能的新形态。

今天，云知声正式发布 U2-Flash。

它不是 U2 的效率精简版，而是一次面向真实生产力的全新主力智能形态的诞生。作为新一代高密度智能模型，U2-Flash 通过系统性后训练释放推理和自主执行能力，既有主力模型的硬核能力，又有 Flash 级别的极速响应，为真实生产力场景提供更强、更快、更省的综合解法。

相比其他大模型公司，云知声的独特优势在于：我们是一家具有10年以上场景沉淀的大模型公司。多年的真实业务打磨，让我们对场景的理解深度和数据积累厚度远超纯技术驱动的团队，也让U2-Flash从设计之初就深度贴合真实生产力的需求。

在能力构建方式上，U2-Flash 有两个鲜明立场：一是让模型深度参与自身训练闭环的演进——从生成训练数据、分析轨迹到巡检修复训练系统——这是递归自我改进（RSI）方向的第一步实践，也是贯穿技术设计的主线；二是让模型在隐藏状态空间中进行深度思考（Latent Reasoning），并将思考能力封装为用户可控的思考强度接口，而非不可观测的黑箱。

在架构上，U2-Flash 采用稀疏混合专家（MoE）设计，总参数约 266B，但单次推理仅激活约 10B 参数（激活比例不到总参数的 4%），把编程、Agent、数学推理、指令遵循等多领域能力统一编码进同一套权重，用远小于同类模型的激活规模，撬动主力级的任务完成质量——其综合能力已可比肩市面上主力模型。而支撑这套架构能力充分释放的，正是系统性的后训练机制——它让模型从“能做事”进化到“会做事”。

01 更强：能力跃升，比肩主力模型

在真实业务场景中，模型能力的竞争已经从“能否回答问题”走向“能否完成复杂任务”。相较上一代 U2 模型，U2-Flash 实现了跨代式的全面跃升，在代码、Agent、高阶推理和办公自动化等核心场景中展现出压倒性的优势，并在多项权威基准测试中刷新纪录：

在代表编程能力的 DeepSWE v1.1 榜单中，U2-Flash 斩获 64.6 分，较上一代实现翻倍式增长，一举超过 GLM5.3-Flash、DeepSeek-V4-Pro-0813 等模型。在 TerminalBench 3.0 测试中飙升至 24.3 分，直接超越 K3 等万亿参数级别模型；在 SWE-Bench Pro 测试中更是交出 61.6 分的高分，较前代大幅跃升 10.5 分。

这些成绩意味着，以不到总参数4%的激活规模，U2-Flash展现出了与市面上主力模型相抗衡的综合能力。

02 更快：从“生成快”走向“任务完成快”

对于复杂工作流而言，单纯的 Token 生成速度只代表吞吐，端到端的整体解算周期才是决定效率的核心。

在速度维度，U2-Flash 实现了从单字响应到完整任务交付的全链路加速。模型首字响应（TTFT）平均控制在 3 秒 以内，峰值输出吞吐最高可达 300 tokens/s；相较 U2 模型，U2-Flash 在 Agent 任务执行过程中减少 20%-30% 的迭代步数，任务执行周期缩短 35%，真正做到了更快响应、更快生成、更快完成。

03 更省：让每一个 Token 都更有价值

面向高频真实任务，U2-Flash 进一步优化 Token 使用效率，减少复杂任务中的无效探索与冗余输出，让更多 Token 直接用于解决问题。相比上一代 U2 模型，U2-Flash 在复杂任务执行过程中可减少 20%-30% 的 Token 消耗，在提升任务完成效率的同时，进一步降低单任务使用成本。

这份“省”同样体现在架构层面：约 10B 的激活参数意味着每一次调用只需唤醒总参数中很小的一部分，推理成本与激活规模而非总参数规模线性锚定，这也是 U2-Flash 能够在保持主力级任务表现的同时，把单位推理成本控制在远低于同等能力模型的关键原因。

同时，U2-Flash 将编程、Agent、推理、工具调用和办公处理等多类能力汇聚于统一模型中。企业无需针对不同任务频繁切换和维护多套专用模型，从模型选型、接入和路由，到后续运维与迭代，都可以进一步降低系统复杂度与综合使用成本。

04 国产算力，也能跑出高性能

前沿智能不应被绑定在单一算力平台上，而应在多元异构算力环境中同样高效、稳定地释放。U2-Flash 围绕主流国产算力平台，从模型架构、核心算子、推理框架到集群调度持续适配优化，并针对不同硬件的计算、显存和通信特性做软硬件协同调优，降低迁移部署成本，提升推理效率与资源利用率。

在实际服务中，U2-Flash 在国产平台上的吞吐、时延、并发和集群扩展效率持续提升，与主流 GPU 差距不断缩小，部分场景已接近 NVIDIA GPU 方案。面向大规模推理、高并发和长上下文负载，U2-Flash 持续优化执行与调度机制，为政企、金融、制造、能源等行业的规模化部署提供更灵活的算力选择。

05 后训练×RSI 驱动：自主闭环演进释放高密度智能

后训练（Post-training），是 U2-Flash 释放高密度智能的核心引擎。面向复杂任务场景，单纯依靠模型规模扩张已难以满足能力持续提升的需求。U2-Flash 将后训练作为释放模型能力的关键抓手，通过系统性训练机制进一步强化模型的理解、规划与执行能力。

U2-Flash 建立了一套自主闭环演进机制。 模型能够深度参与任务生成、轨迹分析与纠错重采，通过强弱模型对比定位决定性动作，无需大量人工标注即可围绕薄弱环节持续迭代，目前已自主构建出覆盖主流编程语言、规模近 10 万的高质量 SWE 任务集。

更重要的是：云知声深耕行业十余年，积累了海量真实场景数据与高质量标注能力，这为后训练提供了不可替代的数据质量壁垒。好数据是好模型的第一性原理——正是多年沉淀的高质量数据，让U2-Flash的后训练效果远超纯规模驱动的方案。

在这套闭环下，多项底层技术创新共同释放了高密度智能：

在探索效率上，异步 Agent RL 采用并行 Worker 沙盒执行与基于 GRPO 的策略优化，不阻塞策略更新；结合关键 Action 标记回溯成功与失败信号，攻克了长程信用分配难题，使单位时间有效训练轨迹数提升约 60%，并引导模型在推理时更快收敛至高价值路径。

在能力融合上，为解决多领域强化学习中的“跷跷板效应”，多教师在线策略蒸馏先训练数学、代码、Agent 等专项领域专家，再由学生模型实时生成轨迹，由教师逐 Token 动态打分蒸馏。这不仅使达到同等能力水平的训练步数减少约 55%，更让多种专业能力在单次推理中协同发挥，大幅提升了每个输出 Token 的能力密度。

在进化持续性上，自适应动态任务生成引入难度校准机制，动态匹配模型当前“只差一点”的能力边界，防止训练集被“刷穿”；同时，U2-Flash 将其 Agent 能力反哺至训练流程本身，实现自主巡检机器、修复与重启任务的全流程自我运维，保障训练闭环不间断高质运转。

这套闭环正是U2-Flash在递归自我改进（RSI）方向迈出的第一步：模型已能参与生成训练数据、分析纠正执行轨迹、巡检修复训练系统——不只是被训练的对象，而是训练闭环的参与者。但这仍是有边界、可验证、可追溯的自我改进：每次自主调整都发生在人工设定的沙盒环境与验证标准之内，验证优先于自证、可追溯优先于黑箱化。任何自我改进都必须先在真实沙盒中经可复现验证，只有在验证机制足够成熟后，才会逐步扩大模型参与自身能力成长的范围。

开放平台与 API 服务

为了让更多开发者与企业快速接入这一主力智能，U2-Flash 将作为通用主力模型统一提供服务。

当前限时六折优惠：

· 输入：0.6 元 / 百万 Tokens

· 输出：1.2 元 / 百万 Tokens

· 缓存命中：0.12 元 / 百万 Tokens

U2-Flash 现已正式上线云知声 MaaS 平台。9 月 15 日至 9 月 30 日，平台推出限时体验活动：新用户注册及老用户均可领取 1 亿 Tokens 使用额度，助力开发者与企业低成本体验高性能主力智能。

欢迎体验：https://maas.unisound.com/models/u2-flash

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

关键词：