云知声发布U2-Flash模型，激活参数仅10B

AI大模型公司的竞争日趋激烈，资本市场更关注增长故事，但真正决定差距的是模型能力能否转化为实际生产力：代码生成后能否直接跑通、长上下文中能否准确定位关键信息、Agent在工具调用受阻后能否继续推进。

云知声9月15日发布的U2-Flash模型，是基于U2进一步强化后训练，并面向个人用户、开发者和企业的通用模型。对于寻求理解其长期价值的投资者来说，它是观察公司战略落地、理解业务增长空间的一个重要窗口。

U2-Flash延续了云知声对“高智能密度”的追求——通过稀疏混合专家架构与系统性后训练，用更少的激活参数撬动更大的模型能力。总参数约266B，单次推理仅激活约10B，激活比例不到4%。这一架构设计，正是“高智能密度”路线的技术落地。

“Flash，不再只是效率的代名词，而是主力智能的新形态。”云知声在发布时表示，U2-Flash定位面向个人用户、开发者和企业的通用模型，在能力、速度与成本之间取得更好平衡。

“Flash上桌”，云知声进取

U2-Flash的能力升级，建立在通用模型基座与系统性后训练的结合之上。

以下为公开基准测试数据。其中，在编程与工程任务上，U2-Flash 得分较前代有所提升，并在多项评测中，U2-Flash 的得分高于部分参评的更大参数规模模型：DeepSWE v1.1得分由32分升至64.6分，约为前代两倍；SWE-Bench Pro得分61.6分，较前代提升10.5分；Terminal-Bench 3.0得分由2.7分跃升至24.3分，在该评测中，得分高于参评的部分万亿参数级模型；WorkBuddy-Bench Office得分81分，位列该榜单第一。

评测成绩之外，通用能力的价值体现在日常任务中：个人用户整理学习资料、准备演示内容，开发者编写和调试程序，企业处理文档与业务数据，都可能需要模型连续完成理解、分析、核查和生成等多个环节。统一模型的能力覆盖越完整，用户在不同任务之间切换工具的需求就越少。

回到U2-Flash，为什么可以更好的处理这些任务？后训练是关键。U2-Flash建立了一套围绕薄弱能力持续改进的训练流程：强模型与弱模型分别生成执行轨迹，监督模型通过对比定位影响结果的关键动作，再生成针对性引导，推动弱模型重新采集数据、训练和验证。通过这一机制，云知声已构建覆盖主流编程语言、规模近十万的高质量软件工程任务集。

训练效率也被纳入优化范围。异步Agent强化学习让多个执行单元在沙盒中并行探索任务，使经验采集与策略更新能够更有效地衔接——相比同步训练模式，单位时间内有效训练轨迹产出提升约60%。为兼顾不同领域能力，U2-Flash采用多教师在线策略蒸馏：先针对数学、代码和Agent等领域训练专项教师模型，再由统一的学生模型实时生成训练轨迹，接受教师模型逐Token的评分反馈，相比单纯依靠强化学习从零训练，这一方法使达到同等能力水平所需的训练步数减少约55%。

后训练之外，云知声还将”模型参与自身训练过程”纳入递归自我改进（RSI）的探索框架。U2-Flash参与训练机器巡检、异常定位与修复，以及训练任务重启，训练故障的平均恢复时长缩短到人工介入模式的三分之一。这使模型进一步成为模型开发流程的参与者，形成”发现薄弱环节—生成针对性数据—训练和验证”的持续改进闭环。

在长任务处理方面，U2-Flash通过记忆管理机制保留关键状态、精简历史信息。以修复软件Bug为例，模型需要阅读代码、分析日志、定位问题、修改文件并运行测试——如果首次修改未通过测试，还要根据反馈重新判断原因。在这条执行链中，生成代码只是一个环节，反复的调试和执行会持续消耗Token和时间。U2-Flash的核心升级就落在此类真实任务需求上：工具调用受阻时，模型能尝试替代方案减少无效重试；长周期任务中，通过目标漂移检测机制检查进展是否偏离最初目标，并及时调整行动。

Token消耗上，U2-Flash在复杂任务执行过程中，相比U2可减少20%-30%的Token用量，优化方向包括减少无效探索与冗余输出，让更多计算用于推进任务。同时，模型首字响应时间平均控制在3秒以内，峰值输出速度300 Tokens/s，Agent任务执行周期缩短35%。

能够被持续使用的能力，才有机会形成持续增长的生意

摩根士丹利投资管理在2026年第二季度发布报告中指出，推理、应用和工作流等AI使用环节，有望提供更持久的经常性收入机会。

这一判断已经在云知声财报中得到体现。根据近期披露的2026年中期业绩，上半年云知声实现营业收入5.62亿元，同比增长38.7%；其中Token业务收入近3000万元，同比增长约760%，二季度环比增长超过500%，毛利率超过60%。Token业务占当期总收入约5%，规模仍然有限，但已形成有潜力的收入来源——这意味着云知声的模型能力正在持续通过用户的调用获得商业回报。

当Token业务有望进一步取得增长，U2-Flash又进一步改善了模型的经济性，云知声接下来要回答的，是这些变化能否形成资本市场认可的新叙事。

构建增长新动能

云知声有了更大想象空间

U2-Flash发布的一个重要信号，是云知声的想象空间已经打开。当模型能力有望兑现为市场地位和商业回报，这为洞察其长期价值的投资者创造了新的机遇。

摩根大通私人银行在今年7月的一篇分析中指出，随着Agent应用扩大，AI服务的收费正更多与实际使用量挂钩。企业也可能根据任务回报分配模型资源，将昂贵的前沿模型用于少数高价值任务。对于兼顾能力与成本的主力模型而言，这意味着争取更广泛日常需求的机会。

让模型以更短时间、更少Token完成复杂任务，是U2-Flash目前给出的产品答案。对云知声而言，真正打开的商业空间，还在于这些能力能否改变客户使用AI的方式。

从客户的角度看，按量调用降低了尝试模型服务的门槛。用户可以围绕一项明确需求接入模型，再根据实际效果决定是否扩大使用。对云知声而言，模型能力则有机会通过标准化接口服务更多应用，收入也会随客户使用范围和频次的变化而变化。

当模型能够持续理解目标、调用工具并处理执行中的变化，用户就有机会把更完整的工作交给它。个人的资料整理可以延伸到信息核对、内容归纳与演示文稿准备等；开发者的一次代码修改，可以继续推进到测试、排错和结果验证；在企业端，文档处理则可能与后续的数据分析相连接。原本需要用户反复下达指令的环节，有机会成为同一项任务中的连续步骤。

模型由此进入个人和组织更长的任务流程，也更接近持续的真实需求。这与云知声长期对外讲述的商业模式也相契合——用”智能密度×Token价值”概括商业思路，前者关注有限计算资源能承载多强的能力，后者关注这些能力能否帮助客户完成工作、产生可衡量的结果。两者相互连接，才构成客户持续付费的理由。

更快、更省、更可靠——U2-Flash正助力降低 AI 使用门槛

中国大模型在调用量上的优势能否转化为收入红利，核心取决于计价方式向Token迁移的速度，以及垂直场景的变现能力。行业普遍共识是：谁能将智能使用门槛持续降低、推动更多场景实现高频调用，谁就更有机会把握大模型规模化落地的产业机遇。

U2-Flash的发布，是云知声在这条路上的关键一跃。后训练与RSI双轮驱动，把模型从“能做事”推向“会做事”，在能力、效率与成本之间建立更优平衡；同时推动商业模式从项目制交付，向按调用量计费的平台型服务延伸。Token业务一旦形成规模，将带来更高质量的经常性收入和更强的客户黏性，估值逻辑也有望从解决方案商向智能基础设施平台切换。

格局上，大模型竞争正进入“单位有效智能”的比拼。云知声凭借场景数据、后训练闭环和国产算力适配，已占据差异化身位。技术底子已经夯实，接下来的核心看点，是Token业务增长能否延续陡峭斜率。这既是云知声自身价值重估的试金石，也是观察中国大模型厂商差异化突围的重要样本。

（本文仅供参考，不作为投资建议）

作者: 21世纪经济报道

查看原文 →