AnswersPublished12 sources
Unisound U2-Flash: 266 mia. parametre, men kun 10 mia. aktive ad gangen
Unisound lancerede U2 Flash den 15. september 2026. Unisound oplyser scorer på 64,6 i DeepSWE v1.1, 24,3 i TerminalBench 3.0 og 61,6 i SWE Bench Pro samt en 35 % kortere opgavecyklus for agenter sammenlignet med U2.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Unisound lancerede U2 Flash den 15. september 2026.
- Unisound oplyser scorer på 64,6 i DeepSWE v1.1, 24,3 i TerminalBench 3.0 og 61,6 i SWE Bench Pro samt en 35 % kortere opgavecyklus for agenter sammenlignet med U2.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Unisound’s U2-Flash, launched on September 15, 2026, and how does its roughly 266-billion-parameter sparse MoE architecture with abo. Article summary: Unisound’s U2-Flash is a September 15, 2026 release positioned as a “high-density” production model: a sparse Mixture-of-Experts successor to U2 intended to combine coding, agent execution, mathematical reasoning, and in. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Unisounds U2-Flash er en ny såkaldt høj-densitetsmodel, bygget på virksomhedens U2-grundmodel og lanceret den 15. september 2026. Ambitionen er at samle programmering, værktøjsbrugende AI-agenter, matematisk ræsonnement og instruktionsefterlevelse i én model – uden at aktivere hele modelstørrelsen ved hver inferens. 5
266 mia. parametre i alt – cirka 10 mia. aktive
U2-Flash bygger på en sparsom mixture-of-experts-arkitektur (MoE) med omtrent 266 mia. parametre i alt og cirka 10 mia. aktive parametre pr. inferens. Det er under 4 % af modellens samlede parametre.
I en MoE-model vælger en routingmekanisme et udsnit af specialiserede modeldele til den konkrete inputtekst, i stedet for at alle parametre bruges for hvert token. 5
Netop forholdet mellem samlede og aktive parametre er centralt i Unisounds argument: Modellen skal ifølge virksomheden levere høj kvalitet i opgaveløsning med et væsentligt mindre aktivt beregningsforbrug end en tæt, tilsvarende kapabel model. Det foreliggende materiale indeholder dog ikke uafhængige sammenligninger af kvalitet, strømforbrug eller omkostninger under ens testforhold. 5
Målrettet kode, agenter og flertrinsopgaver
Unisound oplyser, at U2-Flash samler funktioner til programmering, AI-agenter, matematisk ræsonnement og instruktionsefterlevelse i samme vægtsæt. De tiltænkte opgaver omfatter blandt andet udviklingskode, terminalopgaver, kontorarbejde, videnbaseret ræsonnement og andre produktionsarbejdsgange. 5
Modellen har desuden det, Unisound kalder implicit tænkning og ræsonnement med kontinuerlig tilstand. Ræsonnementsstyrken kan indstilles i fire niveauer, og på det højeste niveau kan modellen ifølge virksomheden levere et læsbart ræsonnementsspor til gennemgang og sporbarhed. 5
Et synligt ræsonnementsspor gør imidlertid ikke i sig selv et svar korrekt, sikkert eller egnet til selvstændig brug i opgaver med høj risiko.
Træning med fejlretning og agentforløb
U2-Flash er ifølge Unisound resultatet af forstærket eftertræning af U2-grundmodellen. Virksomheden beskriver et forløb med rekursiv selvforbedring (recursive self-improvement, RSI), hvor systemet kan hjælpe med at generere opgaver, analysere eksekveringsforløb, finde fejl og udvælge korrigerede træningsdata igen. Det sker inden for sandkasse- og verifikationsrammer, som mennesker har fastlagt. 5
Til softwareudvikling og agentopgaver kombinerer systemet ifølge virksomheden:
- asynkron forstærkningslæring for agenter,
- online policy-destillation med flere lærermodeller,
- adaptiv opgavegenerering og
- et opgavesæt til softwareudvikling på næsten 100.000 genererede opgaver.
5
Unisound oplyser omkring 60 % flere effektive træningsforløb og cirka 55 % færre træningstrin for at nå samme kapabilitetsniveau. Det er virksomhedens egne tal: Der er ikke medleveret forsøgsdesign, sammenlignelige baselines, rå kørsler eller reproducerbare træningsartefakter, som kan verificere påstandene uafhængigt. 5
Praktisk set sigter metoden mod flertrinsarbejde: Modellen forsøger at løse en opgave, forløbet med værktøjsbrug eller eksekvering vurderes, fejl identificeres, og korrigerede eksempler bruges i efterfølgende træning. Det er en rimelig læsning af den beskrevne metode, men ikke dokumentation for, at hver enkelt mekanisme alene har skabt benchmarkforbedringerne. 5
Unisounds oplyste resultater på kode og agentbenchmarks
Virksomheden rapporterer markante forbedringer i forhold til den tidligere U2-generation på flere evalueringer inden for softwareudvikling og terminalopgaver:
| Benchmark | Score oplyst af Unisound | Virksomhedens sammenligning |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Omtrent dobbelt så høj som den tidligere U2-score; Unisound oplyser, at modellen overgik GLM5.3-Flash og DeepSeek-V4-Pro-0813 i virksomhedens sammenligning. |
| TerminalBench 3.0 | 24,3 | Unisound oplyser, at dette overgår K3-modeller i billionparameterklassen. |
| SWE-Bench Pro | 61,6 | Oplyst som 10,5 point over den tidligere generation. |
Derudover oplyser Unisound 20-30 % færre agent-iterationer, 35 % kortere opgaveeksekveringscyklus og 20-30 % lavere tokenforbrug sammenlignet med U2. 5
Tallene giver et indtryk af den ydelsesprofil, Unisound går efter, særligt for udviklere, der vurderer agentmodeller til kodning. Men de er ikke uafhængige rangeringer. Det tilgængelige materiale angiver ikke modelendepunkt, prompts, samplingindstillinger, agent-opsætning, værktøjer, miljø, testharness eller rå benchmarkkørsler. 5
Hastighed og implementering på kinesisk hardware
Unisound oplyser en gennemsnitlig tid til første token på under tre sekunder og en maksimal outputhastighed på op til 300 tokens i sekundet. Annonceringen angiver dog ikke hardware, samtidige forespørgsler, kontekstlængde, præcision eller latenstal fordelt på percentiler, hvilket er nødvendigt for en retvisende sammenligning af modelservering. 5
Virksomheden siger også, at U2-Flash er tilpasset gængse kinesiske compute-platforme på tværs af modelarkitektur, centrale operatorer, inferensrammer og klyngeplanlægning. Reklamemateriale siger, at visse implementeringer nærmer sig NVIDIA-GPU'ers ydelse, men uden oplysninger om sammenlignelige chips, softwareversioner, arbejdsbelastninger, batching, energiforbrug, omkostninger eller latenstal. Det er ikke tilstrækkeligt til at dokumentere hardwaremæssig lighed. 17
Optimeringerne positioneres til storstilet inferens, høj samtidighed og lange kontekstvinduer i offentlige og private virksomheder, finanssektoren, fremstillingsindustrien og energisektoren. 17
MaaS-adgang og tidsbegrænset septembertilbud
U2-Flash blev omtalt som tilgængelig via Unisounds MaaS-platform (model as a service). Ifølge markedsføringsomtale gjaldt et tilbud med 60 % rabat fra 15. til 30. september 2026. De angivne priser var 0,6 renminbi pr. million inputtokens, 1,2 renminbi pr. million outputtokens og 0,12 renminbi pr. million cachede inputtokens. Nye og eksisterende brugere kunne ifølge omtalen få 100 mio. tokens i perioden. 17
Da vilkårene var tidsbegrænsede, bør potentielle brugere kontrollere aktuel adgang, priser, kvoter og brugsbetingelser direkte hos Unisound, før de lægger dem til grund. 17
Konklusion: Lovende, men endnu ikke uafhængigt bekræftet
U2-Flash er et MoE-modelslip målrettet produktionsbrug inden for kodning og AI-agenter: 266 mia. parametre i alt, cirka 10 mia. aktive parametre, eftertræning baseret på opgavegenerering og feedback fra eksekvering samt justerbare ræsonnementstilstande. Unisounds egne resultater peger på en betydelig forbedring i forhold til U2 på de udvalgte ingeniørbenchmarks. 5
Det afgørende forbehold er kvaliteten af dokumentationen. Benchmarks, træningseffektivitet, latenstid, gennemløb, tokenbesparelser og sammenligninger med kinesiske acceleratorer kommer først og fremmest fra virksomheden selv eller fra markedsføringsomtale. Indtil uafhængige evalueringer offentliggør reproducerbare kørsler med ens modelversioner, værktøjer, hardware og testbetingelser, bør U2-Flash ses som en lovende leverandøroplyst model – ikke som en endeligt valideret markedsleder. 5
17
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Unisound U2-Flash: 266 mia. parametre, men kun 10 mia. aktive ad gangen"?
Unisound lancerede U2 Flash den 15. september 2026.
What are the key points to validate first?
Unisound lancerede U2 Flash den 15. september 2026. Unisound oplyser scorer på 64,6 i DeepSWE v1.1, 24,3 i TerminalBench 3.0 og 61,6 i SWE Bench Pro samt en 35 % kortere opgavecyklus for agenter sammenlignet med U2.
Sources
sohu.com云知声发布U2-Flash：后训练×RSI 驱动，面向真实任务的新 ...
llmreference.comBest AI Agent Models 2026: SWE-bench Ranked | LLM Reference
news.futunn.comUnleashing Trillion-Scale Capabilities with Hundred-Billion Parameters: How Unisound U2-Flash Is Redefining Value Pricing for Large Language Models