AnswersPublished12 sources
Unisound U2-Flash lupaa suuren mallin kyvyt pienemmällä aktiivisella laskennalla
Unisound julkaisi U2 Flashin 15. syyskuuta 2026. Unisound ilmoittaa tuloksiksi 64,6 DeepSWE v1.1:ssä, 24,3 TerminalBench 3.0:ssa ja 61,6 SWE Bench Prossa, mutta asetuksia ja raaka ajoja ei ole toimitettu riippumatonta tarkistusta varten.
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Unisound julkaisi U2 Flashin 15. syyskuuta 2026.
- Unisound ilmoittaa tuloksiksi 64,6 DeepSWE v1.1:ssä, 24,3 TerminalBench 3.0:ssa ja 61,6 SWE Bench Prossa, mutta asetuksia ja raaka ajoja ei ole toimitettu riippumatonta tarkistusta varten.
- Mallin kerrotaan olevan saatavilla Unisoundin MaaS palvelussa; syyskuun 2026 kampanjahinta ja käyttöedut olivat määräaikaisia.
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
Unisoundin U2-Flash on 15. syyskuuta 2026 julkaistu niin sanottu korkean älykkyystiheyden kielimalli. Se on suunnattu erityisesti ohjelmointiin, työkaluja käyttäviin AI-agentteihin, matemaattiseen päättelyyn ja ohjeiden noudattamiseen. Mallin keskeinen lupaus on yhdistää nämä kyvyt samaan malliin ilman, että koko parametrimäärää tarvitsee käyttää jokaisessa päättelyajossa. 5
266 miljardia parametria, mutta noin 10 miljardia aktiivisena
U2-Flash käyttää harvaa asiantuntijaseosarkkitehtuuria eli MoE:tä (mixture of experts). Mallissa on yhteensä noin 266 miljardia parametria, mutta yhden päättelyajon aikana aktivoituu Unisoundin mukaan noin 10 miljardia parametria – alle 4 % kokonaismäärästä. MoE-mallissa reititysmekanismi valitsee syötteen käsittelyyn vain osan erikoistuneista komponenteista sen sijaan, että kaikki parametrit olisivat käytössä jokaisella tokenilla. 5
Tämä on mallin kustannus- ja suorituskykylupauksen ydin: Unisound pyrkii suurelle tiheälle mallille ominaiseksi kuvattuun tehtävänratkaisukykyyn pienemmällä aktiivisella laskentamäärällä. Toistaiseksi saatavilla olevissa aineistoissa ei kuitenkaan ole riippumattomia, samoilla työkuormilla tehtyjä vertailuja kustannuksista, energiankulutuksesta tai laadusta. 5
Kohteena koodaus ja monivaiheiset työtehtävät
Unisoundin mukaan U2-Flash yhdistää ohjelmoinnin, agenttitoiminnot, matematiikan päättelyn ja ohjeiden noudattamisen yhteen painokokonaisuuteen. Käyttökohteiksi nimetään muun muassa ohjelmistokehitys, komentorivitehtävät, toimistotyö, tietoon perustuva päättely ja muut tuotantoympäristöjen työnkulut. 5
Mallissa on yhtiön termein implisiittinen ajattelu ja jatkuvan tilan päättely. Päättelyn voimakkuutta voi säätää neljällä tasolla, ja korkeimmalla tasolla malli voi tuottaa luettavan päättelyjäljen tarkasteltavaksi. Näkyvä päättelyjälki voi helpottaa työnkulun auditointia, mutta se ei yksin osoita vastauksen olevan oikea, turvallinen tai soveltuva itsenäiseen käyttöön riskialttiissa tehtävissä. 5
Koulutus: tehtävien generointia ja virheiden korjaamista
U2-Flash perustuu U2-perusmalliin tehtyyn vahvistettuun jälkikoulutukseen. Unisound kuvaa käyttävänsä rekursiivista itseparannussilmukkaa (RSI), jossa järjestelmä auttaa luomaan tehtäviä, analysoimaan suorituspolkuja, tunnistamaan virheitä ja poimimaan korjattua harjoitusdataa uudelleen. Prosessia rajataan ihmisten määrittämillä hiekkalaatikko- ja varmennusehdoilla. 5
Ohjelmistokehitystä ja agenttityötä varten yhtiö kertoo yhdistäneensä:
- asynkronisen agenttivahvistusoppimisen
- usean opettajamallin verkkopohjaisen policy-tislaamisen
- mukautuvan tehtävien generoinnin
- ohjelmistokehityksen tehtäväaineiston, joka lähestyy 100 000 generoitua tehtävää.
5
Unisound raportoi noin 60 % enemmän tehokkaita koulutustrajektoreita ja noin 55 % vähemmän koulutusaskelia vastaavan kyvykkyystason saavuttamiseen. Kyse on yhtiön omista luvuista: toimitetuista aineistoista puuttuvat koejärjestelyt, vertailutasot, raakasuoritukset ja toistettavat koulutusartefaktit, joilla väitteet voisi arvioida riippumattomasti. 5
Käytännössä kuvattu menetelmä tähtää monivaiheiseen työskentelyyn: malli yrittää tehtävää, sen työkalujen käyttöä ja suorituspolkua arvioidaan, virheet tunnistetaan ja korjattuja esimerkkejä hyödynnetään myöhemmässä oppimisessa. Tämä on kohtuullinen tulkinta Unisoundin kuvaamasta koulutusjärjestelmästä, ei näyttö siitä, että kukin yksittäinen mekanismi olisi itsenäisesti aiheuttanut raportoidut tulosparannukset. 5
Valmistajan raportoimat koodaus- ja agenttitulokset
Unisound ilmoittaa U2-Flashin parantaneen edeltävään U2-sukupolveen verrattuna etenkin ohjelmistokehitystä ja komentorivitehtäviä mittaavissa arvioinneissa:
| Vertailu | Unisoundin raportoima U2-Flash-tulos | Yhtiön oma vertailu |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Noin kaksinkertainen aiempaan U2-tulokseen verrattuna; Unisoundin mukaan parempi kuin GLM5.3-Flash ja DeepSeek-V4-Pro-0813 sen vertailussa. |
| TerminalBench 3.0 | 24,3 | Yhtiön mukaan yli K3-luokan biljoonaparametristen mallien. |
| SWE-Bench Pro | 61,6 | Ilmoitettu 10,5 pistettä edellistä sukupolvea paremmaksi. |
Yhtiö kertoo lisäksi agenttitehtävien iteraatiomäärän vähentyneen 20–30 %, tehtävän suoritusjakson lyhentyneen 35 % ja tokenkulutuksen pienentyneen 20–30 % verrattuna U2:een. 5
Luvut kertovat siitä, millaiseen suoritusprofiiliin Unisound mallia asemoi. Niitä ei pidä tulkita riippumattomiksi paremmuusjärjestyksiksi: saatavilla olevista materiaaleista eivät käy ilmi tarkka malliversio, kehotteet, näytteenottoasetukset, agenttirunko, työkalut, testausympäristö, arviointikehikon asetukset tai raaka-ajot. 5
Nopeus- ja laitteistoväitteet vaativat lisänäyttöä
Unisound ilmoittaa ensimmäisen tokenin vasteajaksi keskimäärin alle kolme sekuntia ja huipputuottavuudeksi enintään 300 tokenia sekunnissa. Julkaisussa ei kuitenkaan kerrota laitteistoa, samanaikaisten pyyntöjen määrää, kontekstipituutta, tarkkuusasetuksia tai latenssin prosenttipisteitä. Siksi lukuja ei voi verrata suoraan muiden mallien palvelusuorituskykyyn. 5
Yhtiö kertoo myös sovittaneensa U2-Flashia Kiinan kotimaisille laskenta-alustoille mallirakenteen, ydinoperaatioiden, päättelykehysten ja klusteriajastuksen tasolla. Mainosluonteisessa uutisoinnissa todetaan, että osa käyttötilanteista lähestyy NVIDIA:n GPU-ratkaisujen suorituskykyä. Vertailusta puuttuvat kuitenkin vastaavat sirut, ohjelmistoversiot, työkuormat, eräkoot, energiankulutus, kustannukset ja latenssimittaukset. Näyttö ei siis riitä laitteistojen suorituskykypariteetin osoittamiseen. 17
Optimointeja suunnataan suuren mittakaavan päättelyyn, korkeaan samanaikaisuuteen ja pitkiin konteksteihin esimerkiksi julkishallinnon ja yritysten, rahoituksen, teollisuuden sekä energia-alan käyttötapauksissa. 17
MaaS-palvelu ja päättynyt syyskuun kampanja
U2-Flashin kerrottiin olevan saatavilla Unisoundin MaaS-palvelualustalla. MaaS tarkoittaa mallia palveluna: kehittäjät ja yritykset voivat käyttää mallia rajapinnan kautta ilman oman mallipalvelininfrastruktuurin ylläpitoa.
Kampanjajulkaisun mukaan 15.–30. syyskuuta 2026 voimassa ollut 60 prosentin alennus sisälsi hinnat 0,6 RMB:tä miljoonalta syötetokenilta, 1,2 RMB:tä miljoonalta tulostokenilta ja 0,12 RMB:tä miljoonalta välimuistiosumatokenilta. Uusien ja nykyisten käyttäjien kerrottiin voivan lunastaa kampanjassa 100 miljoonaa tokenia. 17
Koska kyse oli määräaikaisesta tarjouksesta, saatavuus, hinnat, kiintiöt ja käyttöehdot on syytä tarkistaa suoraan Unisoundilta ennen käyttöönottoa. 17
Johtopäätös
U2-Flash on selvästi tuotantokäyttöön suunnattu MoE-mallijulkaisu: kokonaisparametrimäärä on 266 miljardia, aktiivisia parametreja on noin 10 miljardia, ja koulutuksessa painotetaan tehtävien luontia sekä suorituspolkujen palautetta. Unisoundin ilmoittamat tulokset viittaavat huomattavaan parannukseen yhtiön aiempaan U2-malliin verrattuna valituissa ohjelmistokehityksen arvioinneissa. 5
Keskeinen varaus koskee näytön laatua. Vertailupisteet, koulutustehokkuus, latenssi, läpimeno, tokensäästöt sekä kotimaisia kiihdyttimiä koskevat väitteet perustuvat pääosin yhtiön ilmoituksiin tai markkinointihenkiseen raportointiin. Ennen kuin riippumattomat arvioijat julkaisevat toistettavia ajoja samoilla malliversioilla, työkaluilla, laitteistoilla ja testiehdoilla, U2-Flashia on perusteltua pitää lupaavana valmistajan raportoimana julkaisuna – ei vielä aukottomasti varmennettuna markkinajohtajana. 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 lupaa suuren mallin kyvyt pienemmällä aktiivisella laskennalla"?
Unisound julkaisi U2 Flashin 15. syyskuuta 2026.
What are the key points to validate first?
Unisound julkaisi U2 Flashin 15. syyskuuta 2026. Unisound ilmoittaa tuloksiksi 64,6 DeepSWE v1.1:ssä, 24,3 TerminalBench 3.0:ssa ja 61,6 SWE Bench Prossa, mutta asetuksia ja raaka ajoja ei ole toimitettu riippumatonta tarkistusta varten.
What should I do next in practice?
Mallin kerrotaan olevan saatavilla Unisoundin MaaS palvelussa; syyskuun 2026 kampanjahinta ja käyttöedut olivat määräaikaisia.
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