JawabanDipublikasikan12 sumber
Unisound U2-Flash: Model MoE 266B dengan 10B Parameter Aktif untuk Agen Produksi
Unisound merilis U2 Flash pada 15 September 2026 sebagai model sparse mixture of experts (MoE) berparameter total sekitar 266 miliar, dengan sekitar 10 miliar parameter aktif per inferensi. Perusahaan melaporkan skor 64,6 di DeepSWE v1.1, 24,3 di TerminalBench 3.0, dan 61,6 di SWE Bench Pro, serta siklus pengerjaan...
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Unisound merilis U2 Flash pada 15 September 2026 sebagai model sparse mixture of experts (MoE) berparameter total sekitar 266 miliar, dengan sekitar 10 miliar parameter aktif per inferensi.
- Perusahaan melaporkan skor 64,6 di DeepSWE v1.1, 24,3 di TerminalBench 3.0, dan 61,6 di SWE Bench Pro, serta siklus pengerjaan tugas agen 35% lebih singkat dibanding U2.
AI Perintah
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
U2-Flash adalah model AI generasi baru dari Unisound yang dirilis pada 15 September 2026. Model ini dibangun dari model dasar U2 dan diposisikan untuk pekerjaan produksi yang melibatkan pemrograman, agen AI yang menggunakan alat, penalaran matematika, serta kepatuhan terhadap instruksi. 5
Nilai jual utamanya bukan sekadar ukuran model, melainkan efisiensi saat inferensi: U2-Flash memiliki sekitar 266 miliar parameter total, tetapi hanya mengaktifkan kira-kira 10 miliar parameter untuk satu inferensi. 5
Apa arti 266B total dan 10B aktif?
U2-Flash memakai arsitektur sparse mixture-of-experts (MoE), atau campuran pakar jarang. Alih-alih menjalankan seluruh parameter model untuk setiap token, mekanisme perutean memilih sebagian komponen atau “pakar” yang dianggap paling relevan dengan masukan.
Dengan demikian, sekitar 10 miliar dari 266 miliar parameter—kurang dari 4%—diaktifkan pada tiap inferensi. Unisound menyatakan pendekatan ini ditujukan untuk menghasilkan kualitas penyelesaian tugas yang kuat dengan jejak komputasi aktif lebih kecil dibanding model padat (dense) dengan kemampuan sekelas. Namun, materi yang tersedia belum menyertakan perbandingan biaya, konsumsi daya, atau kualitas yang independen dan memakai beban kerja setara. 5
Sasaran: coding, agen AI, dan alur kerja nyata
Menurut Unisound, U2-Flash menyatukan kemampuan pemrograman, agen AI, matematika, dan kepatuhan instruksi dalam satu set bobot model. Penggunaan yang dituju mencakup penulisan kode rekayasa perangkat lunak, tugas terminal, pekerjaan perkantoran, penalaran berbasis pengetahuan, serta alur kerja produksi lain. 5
Model ini juga diklaim memiliki mekanisme “pemikiran implisit” dan penalaran dengan keadaan berkelanjutan. Kekuatan penalarannya tersedia dalam empat tingkat pengaturan. Pada tingkat tertinggi, perusahaan menyebut model dapat menghasilkan jejak penalaran yang dapat dibaca untuk keperluan pemeriksaan dan penelusuran. 5
Meski begitu, jejak penalaran yang terlihat tidak dengan sendirinya membuktikan bahwa jawaban model benar, aman, atau layak digunakan secara otonom dalam keputusan berisiko tinggi.
Pendekatan pelatihan pasca-pelatihan
Unisound menjelaskan bahwa U2-Flash dihasilkan lewat penguatan proses pasca-pelatihan pada model dasar U2. Salah satu komponennya adalah recursive self-improvement (RSI): sistem membantu membuat tugas, menganalisis jejak eksekusi, mencari kesalahan, lalu mengambil ulang data pelatihan yang telah dikoreksi dalam batas sandbox dan verifikasi yang ditetapkan manusia. 5
Untuk pekerjaan rekayasa perangkat lunak dan agen, Unisound menyebut pendekatannya mencakup:
- Asynchronous agent reinforcement learning;
- Multi-teacher online policy distillation;
- pembuatan tugas adaptif; dan
- set tugas rekayasa perangkat lunak yang mendekati 100.000 tugas hasil generasi.
5
Perusahaan melaporkan sekitar 60% lebih banyak jejak pelatihan yang efektif dan sekitar 55% lebih sedikit langkah pelatihan untuk mencapai kemampuan yang sebanding. Angka tersebut adalah pengungkapan dari Unisound; bukti yang disediakan tidak mencantumkan rancangan eksperimen, pembanding yang setara, hasil mentah, maupun artefak pelatihan yang dapat direproduksi untuk mengujinya secara independen. 5
Secara praktis, pendekatan ini dirancang untuk pekerjaan bertahap: model mencoba tugas, mengevaluasi jalur penggunaan alat atau eksekusinya, mengenali kesalahan, lalu memanfaatkan contoh yang sudah diperbaiki untuk meningkatkan perilaku berikutnya. Ini adalah interpretasi yang wajar atas sistem yang dijelaskan perusahaan, bukan bukti bahwa setiap komponen tersebut secara terpisah menyebabkan kenaikan skor benchmark. 5
Skor coding dan agen yang dilaporkan Unisound
Berikut hasil evaluasi yang dilaporkan perusahaan untuk U2-Flash:
| Benchmark | Skor U2-Flash yang dilaporkan | Perbandingan versi Unisound |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Disebut sekitar dua kali skor U2 sebelumnya; Unisound menyatakan nilainya melampaui GLM5.3-Flash dan DeepSeek-V4-Pro-0813 dalam perbandingan mereka. |
| TerminalBench 3.0 | 24,3 | Unisound menyebutnya melampaui model kelas K3 yang berukuran triliunan parameter. |
| SWE-Bench Pro | 61,6 | Dilaporkan 10,5 poin di atas generasi sebelumnya. |
Unisound juga mengklaim jumlah iterasi agen berkurang 20%–30%, siklus eksekusi tugas 35% lebih singkat, dan konsumsi token 20%–30% lebih rendah dibanding U2. 5
Angka-angka ini memberi gambaran mengenai profil performa yang ditargetkan U2-Flash, terutama bagi pengembang yang menilai model untuk agen coding. Namun, angka tersebut bukan peringkat independen. Materi yang tersedia tidak merinci endpoint model, prompt, pengaturan sampling, kerangka agen, alat, lingkungan, konfigurasi harness, maupun hasil benchmark mentah. 5
Klaim kecepatan dan optimasi deployment
Unisound mengklaim waktu rata-rata hingga token pertama di bawah tiga detik, dengan throughput keluaran puncak hingga 300 token per detik. Pengumuman tersebut tidak menyertakan detail perangkat keras, tingkat konkurensi, panjang konteks, presisi, atau metrik latensi persentil yang diperlukan untuk membandingkan layanan secara setara. 5
Perusahaan juga menyatakan telah mengadaptasi U2-Flash untuk platform komputasi domestik Tiongkok, dari arsitektur model dan operator inti hingga kerangka inferensi serta penjadwalan klaster. Liputan promosi menyebut sebagian skenario deployment mendekati kinerja GPU NVIDIA. Akan tetapi, tidak ada rincian cip yang dibandingkan, versi perangkat lunak, beban kerja, batching, data daya, biaya, maupun pengukuran latensi yang setara. Karena itu, klaim tersebut belum cukup untuk membuktikan kesetaraan kinerja perangkat keras. 17
Optimasi ini diposisikan untuk inferensi skala besar, konkurensi tinggi, dan beban kerja konteks panjang di sektor pemerintah dan perusahaan, keuangan, manufaktur, serta energi. 17
Ketersediaan MaaS dan promo September
U2-Flash dilaporkan tersedia melalui platform MaaS (Model as a Service) Unisound. Materi promosi menyebut diskon 60% pada 15–30 September 2026, dengan harga tercantum sebagai berikut: RMB0,6 per satu juta token input, RMB1,2 per satu juta token output, dan RMB0,12 per satu juta token input yang tersimpan dalam cache. Pengguna baru maupun lama juga disebut dapat mengklaim kuota 100 juta token selama masa promo. 17
Karena ketentuan tersebut bersifat promosi dan terbatas waktu, calon pengguna sebaiknya memeriksa langsung ketersediaan, harga, kuota, serta syarat pemakaian terkini kepada Unisound sebelum mengandalkannya. 17
Kesimpulannya
U2-Flash adalah rilis MoE yang secara jelas menyasar alur kerja coding dan agen AI untuk penggunaan produksi: model berukuran 266B parameter total dengan sekitar 10B parameter aktif, sistem pasca-pelatihan yang berfokus pada pembuatan tugas serta umpan balik eksekusi, dan mode penalaran yang dapat diatur. Hasil yang dilaporkan Unisound mengindikasikan peningkatan berarti dari U2 sebelumnya pada benchmark rekayasa perangkat lunak pilihannya. 5
Catatan terpentingnya adalah kualitas bukti. Skor benchmark, angka efisiensi pelatihan, latensi, throughput, penghematan token, serta perbandingan dengan akselerator domestik terutama berasal dari klaim perusahaan atau pelaporan promosi. Sampai ada penguji independen yang menerbitkan pengujian dapat direproduksi dengan versi model, alat, perangkat keras, dan kondisi uji yang setara, U2-Flash lebih tepat dipandang sebagai rilis yang menjanjikan berdasarkan laporan vendor—bukan pemimpin yang telah tervalidasi secara konklusif. 5
17
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Unisound U2-Flash: Model MoE 266B dengan 10B Parameter Aktif untuk Agen Produksi"?
Unisound merilis U2 Flash pada 15 September 2026 sebagai model sparse mixture of experts (MoE) berparameter total sekitar 266 miliar, dengan sekitar 10 miliar parameter aktif per inferensi.
Apa poin penting yang harus divalidasi terlebih dahulu?
Unisound merilis U2 Flash pada 15 September 2026 sebagai model sparse mixture of experts (MoE) berparameter total sekitar 266 miliar, dengan sekitar 10 miliar parameter aktif per inferensi. Perusahaan melaporkan skor 64,6 di DeepSWE v1.1, 24,3 di TerminalBench 3.0, dan 61,6 di SWE Bench Pro, serta siklus pengerjaan tugas agen 35% lebih singkat dibanding U2.
Sumber
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