उत्तरप्रकाशित2 माह पहलेLast edited 2 माह पहले12 स्रोत

Unisound U2-Flash: 266B पैरामीटर, 10B एक्टिव और प्रोडक्शन AI एजेंटों पर फोकस

Unisound ने 15 सितंबर 2026 को U2 Flash जारी किया। यह लगभग 266 अरब कुल पैरामीटर वाला sparse MoE मॉडल है, जो हर inference में करीब 10 अरब पैरामीटर सक्रिय करता है। [5] कंपनी ने DeepSWE v1.1 पर 64.6, TerminalBench 3.0 पर 24.3 और SWE Bench Pro पर 61.6 स्कोर का दावा किया है; साथ ही U2 के मुकाबले एजेंट टास्क साइकल 35% छोटा...

प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

Unisound ने 15 सितंबर 2026 को U2 Flash जारी किया। यह लगभग 266 अरब कुल पैरामीटर वाला sparse MoE मॉडल है, जो हर inference में करीब 10 अरब पैरामीटर सक्रिय करता है। [5]
कंपनी ने DeepSWE v1.1 पर 64.6, TerminalBench 3.0 पर 24.3 और SWE Bench Pro पर 61.6 स्कोर का दावा किया है; साथ ही U2 के मुकाबले एजेंट टास्क साइकल 35% छोटा होने की बात कही है। [5]
इन बेंचमार्क, लागत, गति और घरेलू एक्सेलरेटर तुलना संबंधी आंकड़ों के लिए स्वतंत्र, दोहराए जा सकने वाले परीक्षण उपलब्ध नहीं कराए गए हैं। [5][17]

Editorial illustration representing Unisound U2-Flash, a sparse mixture-of-experts AI model for coding and agents — What is Unisound’s U2-Flash, launched on September 15, 2026, and how does its roughly 266-billion-parameter sparse MoE architecture with aboUnisound positions U2-Flash as a high-density model for coding, agent execution, reasoning, and production workflows.
AI संकेत
Create 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
openai.com

Unisound का U2-Flash 15 सितंबर 2026 को जारी किया गया एक “हाई-डेंसिटी” AI मॉडल है। कंपनी इसे प्रोग्रामिंग, टूल इस्तेमाल करने वाले AI एजेंट, गणितीय रीजनिंग और निर्देशों का पालन करने जैसे कामों के लिए एक ही मॉडल के रूप में पेश कर रही है। इसका मुख्य दावा यह है कि बड़ा कुल मॉडल आकार रखते हुए भी inference के दौरान केवल अपेक्षाकृत छोटा हिस्सा चलाना पड़ता है। 5

266B कुल पैरामीटर, लेकिन हर बार लगभग 10B सक्रिय

U2-Flash एक sparse Mixture-of-Experts (MoE) आर्किटेक्चर पर बना है। इसमें कुल लगभग 266 अरब पैरामीटर हैं, जबकि एक inference में करीब 10 अरब पैरामीटर सक्रिय होते हैं—यानी कुल का 4% से भी कम। MoE में हर इनपुट या टोकन के लिए मॉडल के सभी हिस्से नहीं चलाए जाते; रूटिंग सिस्टम कुछ विशेषज्ञ घटकों का चयन करता है। 5

इसी सक्रिय-पैरामीटर संख्या के आधार पर Unisound का कहना है कि मॉडल कम सक्रिय कंप्यूट के साथ मजबूत टास्क-कम्प्लीशन गुणवत्ता दे सकता है। हालांकि, उपलब्ध सामग्री में समान कार्यभार पर dense मॉडल से लागत, बिजली खपत या गुणवत्ता की स्वतंत्र तुलना नहीं दी गई है। 5

किन कामों के लिए बनाया गया है?

कंपनी के अनुसार, U2-Flash एक ही वेट सेट में कोडिंग, एजेंट-आधारित काम, गणितीय रीजनिंग और instruction following को जोड़ता है। इसके लक्षित उपयोगों में इंजीनियरिंग कोड, टर्मिनल-आधारित कार्य, ऑफिस वर्कफ़्लो और नॉलेज रीजनिंग शामिल हैं। 5

Unisound ने इसमें “implicit thinking” और “continuous-state reasoning” होने की बात भी कही है। रीजनिंग की ताकत को चार स्तरों में नियंत्रित किया जा सकता है; कंपनी के अनुसार, सबसे ऊंचे स्तर पर मॉडल निरीक्षण और ट्रेसबिलिटी के लिए पढ़ने योग्य रीजनिंग ट्रेस लौटा सकता है। फिर भी, दिखाई देने वाला ट्रेस अपने-आप उत्तर की शुद्धता, सुरक्षा या उच्च-दांव वाले स्वायत्त उपयोग की उपयुक्तता सिद्ध नहीं करता। 5

पोस्ट-ट्रेनिंग: RSI और एजेंट ट्रेनिंग का दावा

Unisound के मुताबिक, U2 बेस मॉडल पर reinforced post-training के बाद U2-Flash तैयार किया गया है। इसमें recursive self-improvement (RSI) लूप का उपयोग बताया गया है, जिसमें सिस्टम टास्क तैयार करने, execution trajectory का विश्लेषण करने, गलतियां पहचानने और इंसानों द्वारा तय sandbox व verification सीमाओं के भीतर सुधरा हुआ ट्रेनिंग डेटा फिर से सैंपल करने में मदद करता है। 5

सॉफ्टवेयर इंजीनियरिंग और एजेंट कार्यों के लिए कंपनी ने इन तकनीकों का उल्लेख किया है:

asynchronous agent reinforcement learning;
multi-teacher online policy distillation;
adaptive task generation;
करीब 1 लाख जनरेट किए गए सॉफ्टवेयर-इंजीनियरिंग टास्क। 5

Unisound का दावा है कि इससे लगभग 60% अधिक प्रभावी ट्रेनिंग ट्रैजेक्टरी मिलीं और समान क्षमता तक पहुंचने के लिए करीब 55% कम ट्रेनिंग स्टेप्स लगे। लेकिन प्रयोग की पद्धति, तुलनीय बेसलाइन, कच्चे रन और पुनरुत्पादित किए जा सकने वाले ट्रेनिंग आर्टिफैक्ट उपलब्ध नहीं हैं; इसलिए इन आंकड़ों का स्वतंत्र आकलन संभव नहीं है। 5

व्यावहारिक रूप में, यह ऐसा ट्रेनिंग ढांचा है जिसमें मॉडल बहु-चरणीय काम करता है, टूल-यूज़ या execution path की समीक्षा करता है, त्रुटियां पकड़ता है और सुधार के उदाहरणों से आगे के व्यवहार को बेहतर बनाने की कोशिश करता है। यह कंपनी के विवरण की उचित व्याख्या है, न कि इस बात का प्रमाण कि हर अलग तंत्र ने बताई गई बेंचमार्क बढ़त पैदा की। 5

कंपनी द्वारा बताए गए कोडिंग और एजेंट बेंचमार्क

Unisound ने पिछले U2 मॉडल की तुलना में निम्न नतीजे बताए हैं:

बेंचमार्क	U2-Flash का रिपोर्टेड स्कोर	कंपनी की तुलना
DeepSWE v1.1	64.6	पिछले U2 से लगभग दोगुना; कंपनी का कहना है कि उसकी तुलना में यह GLM5.3-Flash और DeepSeek-V4-Pro-0813 से आगे रहा।
TerminalBench 3.0	24.3	Unisound के अनुसार, K3 श्रेणी के ट्रिलियन-पैरामीटर मॉडल से अधिक।
SWE-Bench Pro	61.6	पिछली पीढ़ी से 10.5 अंक अधिक।

कंपनी ने U2 की तुलना में 20%–30% कम एजेंट iterations, 35% छोटा टास्क-execution cycle और 20%–30% कम टोकन खपत भी बताई है। 5

डेवलपर्स के लिए ये आंकड़े मॉडल के अपेक्षित प्रदर्शन प्रोफ़ाइल का संकेत हो सकते हैं, लेकिन इन्हें स्वतंत्र रैंकिंग नहीं माना जाना चाहिए। उपलब्ध दस्तावेज़ों में मॉडल endpoint, प्रॉम्प्ट, sampling settings, agent scaffold, टूल, टेस्ट environment, harness configuration या raw benchmark runs का विवरण नहीं है। 5

स्पीड, सर्विंग और हार्डवेयर तैनाती

Unisound के अनुसार, U2-Flash का औसत time-to-first-token तीन सेकंड से कम है और अधिकतम आउटपुट throughput 300 टोकन प्रति सेकंड तक पहुंचता है। मगर इन दावों के साथ हार्डवेयर, concurrency, context length, precision या percentile latency की जानकारी नहीं दी गई है, इसलिए अन्य मॉडलों से निष्पक्ष तुलना संभव नहीं है। 5

कंपनी का यह भी कहना है कि मॉडल को मुख्यधारा के चीनी घरेलू कंप्यूट प्लेटफ़ॉर्म के लिए मॉडल आर्किटेक्चर, core operators, inference frameworks और cluster scheduling स्तर तक अनुकूलित किया गया है। प्रचार सामग्री में कुछ परिदृश्यों में NVIDIA GPU समाधान के करीब प्रदर्शन का दावा है, लेकिन तुलनीय चिप, सॉफ्टवेयर संस्करण, वर्कलोड, batching, बिजली खपत, लागत और latency माप साझा नहीं किए गए हैं। इसलिए इसे हार्डवेयर समानता का प्रमाण नहीं माना जा सकता। 17

इन अनुकूलनों को बड़े पैमाने की inference, अधिक concurrency और लंबे-context वर्कलोड के लिए पेश किया गया है, खासकर सरकारी व उद्यम संगठनों, वित्त, विनिर्माण और ऊर्जा क्षेत्रों में। 17

MaaS उपलब्धता और सितंबर का ऑफर

रिपोर्ट के अनुसार, U2-Flash Unisound के MaaS (Model as a Service) प्लेटफ़ॉर्म पर उपलब्ध किया गया था। प्रचार सामग्री में 15 से 30 सितंबर 2026 तक 60% छूट वाला ऑफर बताया गया, जिसमें इनपुट के लिए 0.6 युआन प्रति 10 लाख टोकन, आउटपुट के लिए 1.2 युआन प्रति 10 लाख टोकन और cached input के लिए 0.12 युआन प्रति 10 लाख टोकन की सूचीबद्ध दरें थीं। नए और मौजूदा, दोनों उपयोगकर्ताओं के लिए 10 करोड़ टोकन का क्रेडिट भी बताया गया था। 17

यह सीमित अवधि का प्रचार था, इसलिए उपयोग से पहले वर्तमान उपलब्धता, कीमत, कोटा और शर्तों की पुष्टि सीधे Unisound से करनी चाहिए। 17

निष्कर्ष: दिलचस्प रिलीज, लेकिन अभी स्वतंत्र पुष्टि जरूरी

U2-Flash प्रोडक्शन कोडिंग और एजेंट वर्कफ़्लो के लिए लक्षित MoE रिलीज है: लगभग 266B कुल पैरामीटर, करीब 10B सक्रिय पैरामीटर, टास्क-जेनरेशन व execution feedback पर केंद्रित पोस्ट-ट्रेनिंग, और नियंत्रित रीजनिंग मोड इसके प्रमुख बिंदु हैं। Unisound के रिपोर्टेड नतीजे उसके पुराने U2 मॉडल की तुलना में चुने हुए इंजीनियरिंग बेंचमार्क पर उल्लेखनीय प्रगति का संकेत देते हैं। 5

लेकिन सबसे महत्वपूर्ण बात साक्ष्य की गुणवत्ता है। बेंचमार्क स्कोर, ट्रेनिंग दक्षता, latency, throughput, टोकन बचत और घरेलू एक्सेलरेटर की तुलना मुख्यतः कंपनी के दावे या प्रचार-रिपोर्टिंग हैं। जब तक स्वतंत्र मूल्यांकनकर्ता समान मॉडल संस्करण, टूल, हार्डवेयर और परीक्षण शर्तों के साथ दोहराए जा सकने वाले परिणाम प्रकाशित नहीं करते, U2-Flash को एक आशाजनक vendor-reported मॉडल के रूप में देखना अधिक उचित है—न कि पक्के तौर पर सत्यापित अग्रणी मॉडल के रूप में। 5 17

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं