Flash，再也不只是效率的代名詞，而是主力智能的新形態。
今天，云知聲正式發布?U2-Flash。
它不是?U2 的效率精簡版，而是一次面向真實出產力的全新主力智能形態的降生。作為新一代高密度智能模子，U2-Flash 經由過程體系性后練習開釋推理及自立履行能力，既有主力模子的硬核能力，又有 Flash 級另外極速相應，為真實出產力場景提供更強、更快、更省的綜合解法。
比擬其他年夜模子公司，云知聲的怪異上風于在：咱們是一家具備10年以上場景沉淀的年夜模子公司。多年的真實營業打磨，讓咱們對于場景的理解深度及數據堆集厚度遠超純技能驅動的團隊，也讓U2-Flash從設計之初就深度貼合真實出產力的需求。
于能力構建方式上，U2-Flash 有兩個光鮮態度：一是讓模子深度介入自身練習閉環的演進——從天生練習數據、闡發軌跡到巡檢修復練習體系——這是遞歸自我改良（RSI）標的目的的第一步實踐，也是貫串技能設計的主線；二是讓模子于隱蔽狀況空間中舉行深度思索（Latent Reasoning），并將思索能力封裝為用戶可控的思索強度接口，而非不成不雅測的黑箱。
于架構上，U2-Flash 采用稀少混淆專家（MoE）設計，總參數約?266B，但單次推理僅激活約?10B?參數（激活比例不到總參數的 4%），把編程、Agent、數學推理、指令遵照等多范疇能力同一編碼進統一套權重，用遠小在同類模子的激活范圍，撬動主力級的使命完成質量——其綜合能力已經可比肩市道上主力模子。而支撐這套架構能力充實開釋的，恰是體系性的后練習機制——它讓模子從“能干事”進化到“會干事”。
01 更強：能力躍升，比肩主力模子
于真實營業場景中，模子能力的競爭已經經從“可否回覆問題”走向“可否完成繁雜使命”。相較上一代 U2 模子，U2-Flash 實現了跨代式的周全躍升，于代碼、Agent、高階推理及辦公主動化等焦點場景中揭示出壓服性的上風，并于多項權勢巨子基準測試中刷新紀錄：
于代表編程能力的?DeepSWE v1.1 榜單中，U2-Flash 斬獲?64.6?分，較上一代實現翻倍式增加，一舉跨越 GLM5.3-Flash、DeepSeek-V4-Pro-0813 等模子。于 TerminalBench 3.0 測試中飆升至?24.3?分，直接逾越?K3 等萬億參數級別模子；于 SWE-Bench Pro 測試中更是交出?61.6?分的高分，較前代年夜幅躍升?10.5 分。
這些成就象征著，以不到總參數4%的激活范圍，U2-Flash揭示出了與市道上主力模子相抗衡的綜合能力。
02 ?更快：從“天生快”走向“使命完成快”
對于在繁雜事情流而言，純真的?Token 天生速率只代表吞吐，端到真個總體解算周期才是決議效率的焦點。
于速率維度，U2-Flash 實現了從單字相應到完備使命交付的全鏈路加快。模子首字相應（TTFT）平均節制于?3 秒?之內，峰值輸出吞吐最高可達?300 tokens/s；相較?U2 模子，U2-Flash 于 Agent 使命履行歷程中削減?20%-30%?的迭代步數，使命履行周期縮短?35%，真正做到了更快相應、更快天生、更快完成。
03 ?更省：讓每個 Token 都更有價值
面向高頻真實使命，U2-Flash 進一步優化 Token 利用效率，削減繁雜使命中的無效摸索與冗余輸出，讓更多 Token 直接用在解決問題。比擬上一代 U2 模子，U2-Flash 于繁雜使命履行歷程中可削減?20%-30%?的 Token 耗損，于晉升使命完成效率的同時，進一步降低單使命利用成本。
這份“省”一樣表現于架構層面：約 10B 的激活參數象征著每一一次挪用只需叫醒總參數中很小的一部門，推理成本與激活范圍而非總參數范圍線性錨定，這也是 U2-Flash 可以或許于連結主力級使命體現的同時，把單元推理成本節制于遠低在劃一能力模子的要害緣故原由。
同時，U2-Flash 將編程、Agent、推理、東西挪用及辦公處置懲罰等多類能力會聚在同一模子中。企業無需針對于差別使命頻仍切換及維護多套專用模子，從模子選型、接入及路由，到后續運維與迭代，均可以進一步降低體系繁雜度與綜合利用成本。
04 ?國產算力，也能跑出高機能
前沿智能不該被綁定于單一算力平臺上，而應于多元異構算力情況中一樣高效、不變地開釋。U2-Flash 繚繞主流國產算力平臺，從模子架構、焦點算子、推理框架到集群調理連續適配優化，并針對于差別硬件的計較、顯存及通訊特征做軟硬件協同調優，降低遷徙部署成本，晉升推理效率與資源使用率。
于現實辦事中，U2-Flash 于國產平臺上的吞吐、時延、并發及集群擴大效率連續晉升，與主流 GPU 差距不停縮小，部門場景已經靠近 NVIDIA GPU 方案。面向年夜范圍推理、高并發及長上下文負載，U2-Flash 連續優化履行與調理機制，為政企、金融、制造、能源等行業的范圍化部署提供更矯捷的算力選擇。
05 ?后練習×RSI 驅動：自立閉環演進開釋高密度智能
后練習（Post-training），是 U2-Flash 開釋高密度智能的焦點引擎。面向繁雜使命場景，純真依賴模子范圍擴張已經難以滿意能力連續晉升的需求。U2-Flash 將后練習作為開釋模子能力的要害抓手，經由過程體系性練習機制進一步強化模子的理解、計劃與履行能力。
U2-Flash 成立了一套自立閉環演進機制。 模子可以或許深度介入使命天生、軌跡闡發與糾錯重采，經由過程強弱模子對于比定位決議性動作，無需年夜量人工標注便可繚繞單薄環節連續迭代，今朝已經自立構建出籠罩主流編程語言、范圍近 10 萬的高質量 SWE 使命集。
更主要的是：云知聲深耕行業十余年，堆集了海量真實場景數據與高質量標注能力，這為后練習提供了不成替換的數據質量壁壘。好數據是好模子的第一性道理——恰是多年沉淀的高質量數據，讓U2-Flash的后練習效果遠超純范圍驅動的方案。
于這套閉環下，多項底層技能立異配合開釋了高密度智能：
于摸索效率上，異步?Agent RL?采用并行 Worker 沙盒履行與基在 GRPO 的計謀優化，不壅閉計謀更新；聯合要害 Action 標志回溯樂成與掉敗旌旗燈號，霸占了長程信用分配難題，使單元時間有用練習軌跡數晉升約 60%，并指導模子于推理時更快收斂至高價值路徑。
于能力交融上，為解決多范疇強化進修中的“蹺蹺板效應”，多西席于線計謀蒸餾先練習數學、代碼、Agent 等專項范疇專家，再由學生模子及時天生軌跡，由西席逐 Token 動態打分蒸餾。這不僅使到達劃一能力程度的練習步數削減約 55%，更讓多種專業能力于單次推理中協同闡揚，年夜幅晉升了每一個輸出 Token 的能力密度。
于進化連續性上，自順應動態使命天生引入難度校準機制，動態匹配模子當前“只差一點”的能力界限，避免練習集被“刷穿”；同時，U2-Flash 將其 Agent 能力反哺至練習流程自己，實現自立巡檢呆板、修復與重啟使命的全流程自我運維，保障練習閉環不間斷高質運轉。
這套閉環恰是U2-Flash于遞歸自我改良（RSI）標的目的邁出的第一步：模子已經能介入天生練習數據、闡發改正履行軌跡、巡檢修復練習體系——不只是被練習的對于象，而是練習閉環的介入者。但這仍是有界限、可驗證、可追溯的自我改良：每一次自立調解都發生于人工設定的沙盒情況與驗證尺度以內，驗證優先在自證、可追溯優先在黑箱化。任何自我改良都必需先于真實沙盒中經可復現驗證，只有于驗證機制充足成熟后，才會慢慢擴展模子介入自身能力發展的規模。
開放平臺與?API 辦事
為了讓更多開發者與企業快速接入這一主力智能，U2-Flash 將作為通用主力模子同一提供辦事。
當前限時六折優惠：
· ?輸入：0.6 元 / 百萬 Tokens
· ?輸出：1.2 元 ?/ 百萬 Tokens
· ?緩存擲中：0.12 元 / 百萬 Tokens
U2-Flash 現已經正式上線云知聲 MaaS 平臺。9 月 15 日至 9 月 30 日，平臺推出限時體驗勾當：新用戶注冊和老用戶都可領取?1 億 Tokens?利用額度，助力開發者與企業低成本體驗高機能主力智能。
接待體驗：https://maas.unisound.com/models/u2-flash
-galaxy銀河集團
