Unisound（雲知声）が2026年9月15日に公開したU2-Flashは、コーディング、ツール利用型AIエージェント、数学的推論、指示追従を1つのモデルに統合することを掲げる「高密度」モデルです。狙いは明快で、巨大な総パラメータ数を持ちながら、推論時に動かす部分を限定し、実務の複数ステップ処理で速度とコストの両立を目指すことにあります。5

ただし、性能・効率・ハードウェア適合性に関する主な数値は、現段階ではUnisound自身の発表または販促記事に基づくものです。導入判断では、独立した再現実験や同一条件での比較が出るかを見極める必要があります。

2660億パラメータのうち、推論で使うのは約100億

U2-Flashは、総パラメータ数が約2660億、1回の推論で有効化するパラメータ数が約100億のスパース（疎）Mixture-of-Experts、すなわちMoEアーキテクチャを採用します。全体の4％未満だけを実行時に使う計算です。5

MoEでは、入力ごとにルーターが専門化された構成要素（エキスパート）の一部を選びます。すべての重みを毎トークン実行する密なモデルとは異なり、総容量を大きく保ちながら、推論時の計算量を抑える設計です。

Unisoundは、同等の能力を持つ密モデルよりも小さい有効計算規模で、主力級のタスク遂行品質を目指すと説明しています。ただし、同一ワークロードにおけるコスト、消費電力、品質を第三者が比較したデータは、提供資料には含まれていません。5

想定する用途：コード生成から業務エージェントまで

同社によれば、U2-Flashはプログラミング、AIエージェント、数学的推論、指示追従を同一の重みに統合しています。想定されるのは、エンジニアリング向けコード、ターミナル操作、オフィス業務、知識推論など、実運用のワークフローです。5

また、「暗黙的思考」と連続状態推論を備え、推論の強度を4段階で制御できるとしています。最高強度では、検査・追跡のために読める形の推論トレースを返せるという説明です。5

もっとも、推論過程を表示できること自体は、回答の正確性や安全性、あるいは高リスク業務を自律実行させる適性を保証するものではありません。監査しやすさと信頼性の検証は別の課題です。

「自己改善」を掲げるポストトレーニング

U2-Flashは、U2基盤モデルに対する強化型のポストトレーニングの成果として発表されました。Unisoundは、**RSI（Recursive Self-Improvement：再帰的自己改善）**のループを採用したと説明しています。人間が定めたサンドボックスと検証上の制約の中で、タスク生成、実行軌跡の分析、誤りの特定、修正済み学習データの再サンプリングを行う仕組みです。5

ソフトウェアエンジニアリングとエージェント用途について、同社が挙げる要素は次の通りです。

• 非同期エージェント強化学習
• 複数教師によるオンライン方策蒸留
• 適応的なタスク生成
• 約10万件に迫る、生成されたソフトウェアエンジニアリング用タスクセット 5

Unisoundは、従来より有効な学習軌跡が約60％増え、同等の能力に達するまでの学習ステップを約55％減らせたと報告しています。ただし、実験条件、比較対象、元の実行ログ、再現用の学習成果物は提供資料からは確認できません。5

実務的には、タスクを試行し、ツール操作や実行までの経路を評価し、失敗を修正例として次の学習に反映する、多段階タスク向けの学習戦略と理解できます。一方、こうした各手法が個別にベンチマーク向上をもたらしたことまで証明するものではありません。5

Unisound公表のコーディング／エージェント評価

Unisoundは、先代のU2に比べて、ソフトウェアエンジニアリングおよびターミナル操作系の評価で大きく改善したと報告しています。

ベンチマーク	Unisound公表のU2-Flashスコア	同社による比較説明
DeepSWE v1.1	64.6	先代U2の約2倍。自社比較ではGLM5.3-Flash、DeepSeek-V4-Pro-0813を上回ったとしている。
TerminalBench 3.0	24.3	K3などの兆パラメータ級モデルを上回ったとしている。
SWE-Bench Pro	61.6	先代から10.5ポイント上昇と報告。

5

加えて同社は、U2比でAIエージェントの反復回数を20〜30％削減、タスク実行サイクルを35％短縮、トークン消費量を20〜30％削減したと述べています。5

これらは、エージェント型コーディングモデルを評価する開発者にとって、目指す性能プロファイルを知る材料にはなります。ただし独立ランキングと受け取るべきではありません。モデルのエンドポイント、プロンプト、サンプリング設定、エージェントの足場、利用ツール、実行環境、評価ハーネス設定、元データが資料で明示されていないためです。5

応答速度と中国製計算基盤への最適化

Unisoundは、平均の初回トークン応答時間を3秒未満、ピーク出力スループットを最大毎秒300トークンとしています。5

ただし、サービング性能を公平に比較するには、使用ハードウェア、同時実行数、コンテキスト長、演算精度、レイテンシーのパーセンタイルなどが不可欠です。今回の発表には、これらの詳細がありません。5

同社はさらに、中国国内の主流計算プラットフォームに対し、モデルアーキテクチャ、主要演算子、推論フレームワーク、クラスタースケジューリングまで適合を進めたと説明しています。販促記事では、一部の導入シナリオでNVIDIA GPUの構成に近づいたとも主張しています。17

しかし、対象チップ、ソフトウェアのバージョン、ワークロード、バッチサイズ、電力、コスト、レイテンシー測定を揃えた比較は示されていません。この情報だけで、NVIDIA GPUとの性能同等性を結論づけることはできません。17

想定分野としては、大規模推論、高同時接続、長文コンテキストを必要とする政府・企業、金融、製造、エネルギーが挙げられています。17

MaaSで提供、9月の期間限定条件も

U2-Flashは、Unisoundの**MaaS（Model as a Service）**プラットフォームで提供開始されたと報じられています。販促記事によると、2026年9月15日から9月30日までの期間限定で60％オフのキャンペーンを実施し、料金は入力100万トークン当たり0.6元、出力100万トークン当たり1.2元、キャッシュヒット時の入力100万トークン当たり0.12元とされました。新規・既存ユーザーには1億トークンの利用枠も案内されています。17

こうした条件は期間限定の販促内容です。実際の採用前には、現行の提供状況、料金、上限、利用規約をUnisound側で確認する必要があります。17

結論：有望な発表だが、現時点では「ベンダー報告」

U2-Flashは、総パラメータ約2660億、推論時の有効パラメータ約100億というMoE設計を核に、コーディングとAIエージェントの本番ワークフローを狙うモデルです。タスク生成と実行フィードバックを中心に据えたポストトレーニング、制御可能な推論モードも特徴です。Unisoundが示した数字だけを見れば、先代U2からの大幅な前進を示唆します。5

一方で、ベンチマーク、学習効率、速度、トークン削減、中国製アクセラレータ上の性能に関する数値は、主に企業発表または販促報道です。モデル版数、ツール、ハードウェア、評価条件を揃えた再現可能な独立評価が公表されるまでは、U2-Flashは注目すべきベンダー報告の新モデルとして評価するのが妥当です。すでに実証済みの業界首位モデルと断定するには、根拠がまだ足りません。517

Unisound（雲知声）が2026年9月15日に公開したU2-Flashは、コーディング、ツール利用型AIエージェント、数学的推論、指示追従を1つのモデルに統合することを掲げる「高密度」モデルです。狙いは明快で、巨大な総パラメータ数を持ちながら、推論時に動かす部分を限定し、実務の複数ステップ処理で速度とコストの両立を目指すことにあります。5

ただし、性能・効率・ハードウェア適合性に関する主な数値は、現段階ではUnisound自身の発表または販促記事に基づくものです。導入判断では、独立した再現実験や同一条件での比較が出るかを見極める必要があります。

2660億パラメータのうち、推論で使うのは約100億

U2-Flashは、総パラメータ数が約2660億、1回の推論で有効化するパラメータ数が約100億のスパース（疎）Mixture-of-Experts、すなわちMoEアーキテクチャを採用します。全体の4％未満だけを実行時に使う計算です。5

MoEでは、入力ごとにルーターが専門化された構成要素（エキスパート）の一部を選びます。すべての重みを毎トークン実行する密なモデルとは異なり、総容量を大きく保ちながら、推論時の計算量を抑える設計です。

Unisoundは、同等の能力を持つ密モデルよりも小さい有効計算規模で、主力級のタスク遂行品質を目指すと説明しています。ただし、同一ワークロードにおけるコスト、消費電力、品質を第三者が比較したデータは、提供資料には含まれていません。5

想定する用途：コード生成から業務エージェントまで

同社によれば、U2-Flashはプログラミング、AIエージェント、数学的推論、指示追従を同一の重みに統合しています。想定されるのは、エンジニアリング向けコード、ターミナル操作、オフィス業務、知識推論など、実運用のワークフローです。5

また、「暗黙的思考」と連続状態推論を備え、推論の強度を4段階で制御できるとしています。最高強度では、検査・追跡のために読める形の推論トレースを返せるという説明です。5

もっとも、推論過程を表示できること自体は、回答の正確性や安全性、あるいは高リスク業務を自律実行させる適性を保証するものではありません。監査しやすさと信頼性の検証は別の課題です。

「自己改善」を掲げるポストトレーニング

U2-Flashは、U2基盤モデルに対する強化型のポストトレーニングの成果として発表されました。Unisoundは、**RSI（Recursive Self-Improvement：再帰的自己改善）**のループを採用したと説明しています。人間が定めたサンドボックスと検証上の制約の中で、タスク生成、実行軌跡の分析、誤りの特定、修正済み学習データの再サンプリングを行う仕組みです。5

ソフトウェアエンジニアリングとエージェント用途について、同社が挙げる要素は次の通りです。

• 非同期エージェント強化学習
• 複数教師によるオンライン方策蒸留
• 適応的なタスク生成
• 約10万件に迫る、生成されたソフトウェアエンジニアリング用タスクセット 5

Unisoundは、従来より有効な学習軌跡が約60％増え、同等の能力に達するまでの学習ステップを約55％減らせたと報告しています。ただし、実験条件、比較対象、元の実行ログ、再現用の学習成果物は提供資料からは確認できません。5

実務的には、タスクを試行し、ツール操作や実行までの経路を評価し、失敗を修正例として次の学習に反映する、多段階タスク向けの学習戦略と理解できます。一方、こうした各手法が個別にベンチマーク向上をもたらしたことまで証明するものではありません。5

Unisound公表のコーディング／エージェント評価

Unisoundは、先代のU2に比べて、ソフトウェアエンジニアリングおよびターミナル操作系の評価で大きく改善したと報告しています。

ベンチマーク	Unisound公表のU2-Flashスコア	同社による比較説明
DeepSWE v1.1	64.6	先代U2の約2倍。自社比較ではGLM5.3-Flash、DeepSeek-V4-Pro-0813を上回ったとしている。
TerminalBench 3.0	24.3	K3などの兆パラメータ級モデルを上回ったとしている。
SWE-Bench Pro	61.6	先代から10.5ポイント上昇と報告。

5

加えて同社は、U2比でAIエージェントの反復回数を20〜30％削減、タスク実行サイクルを35％短縮、トークン消費量を20〜30％削減したと述べています。5

これらは、エージェント型コーディングモデルを評価する開発者にとって、目指す性能プロファイルを知る材料にはなります。ただし独立ランキングと受け取るべきではありません。モデルのエンドポイント、プロンプト、サンプリング設定、エージェントの足場、利用ツール、実行環境、評価ハーネス設定、元データが資料で明示されていないためです。5

応答速度と中国製計算基盤への最適化

Unisoundは、平均の初回トークン応答時間を3秒未満、ピーク出力スループットを最大毎秒300トークンとしています。5

ただし、サービング性能を公平に比較するには、使用ハードウェア、同時実行数、コンテキスト長、演算精度、レイテンシーのパーセンタイルなどが不可欠です。今回の発表には、これらの詳細がありません。5

同社はさらに、中国国内の主流計算プラットフォームに対し、モデルアーキテクチャ、主要演算子、推論フレームワーク、クラスタースケジューリングまで適合を進めたと説明しています。販促記事では、一部の導入シナリオでNVIDIA GPUの構成に近づいたとも主張しています。17

しかし、対象チップ、ソフトウェアのバージョン、ワークロード、バッチサイズ、電力、コスト、レイテンシー測定を揃えた比較は示されていません。この情報だけで、NVIDIA GPUとの性能同等性を結論づけることはできません。17

想定分野としては、大規模推論、高同時接続、長文コンテキストを必要とする政府・企業、金融、製造、エネルギーが挙げられています。17

MaaSで提供、9月の期間限定条件も

U2-Flashは、Unisoundの**MaaS（Model as a Service）**プラットフォームで提供開始されたと報じられています。販促記事によると、2026年9月15日から9月30日までの期間限定で60％オフのキャンペーンを実施し、料金は入力100万トークン当たり0.6元、出力100万トークン当たり1.2元、キャッシュヒット時の入力100万トークン当たり0.12元とされました。新規・既存ユーザーには1億トークンの利用枠も案内されています。17

こうした条件は期間限定の販促内容です。実際の採用前には、現行の提供状況、料金、上限、利用規約をUnisound側で確認する必要があります。17

結論：有望な発表だが、現時点では「ベンダー報告」

U2-Flashは、総パラメータ約2660億、推論時の有効パラメータ約100億というMoE設計を核に、コーディングとAIエージェントの本番ワークフローを狙うモデルです。タスク生成と実行フィードバックを中心に据えたポストトレーニング、制御可能な推論モードも特徴です。Unisoundが示した数字だけを見れば、先代U2からの大幅な前進を示唆します。5

一方で、ベンチマーク、学習効率、速度、トークン削減、中国製アクセラレータ上の性能に関する数値は、主に企業発表または販促報道です。モデル版数、ツール、ハードウェア、評価条件を揃えた再現可能な独立評価が公表されるまでは、U2-Flashは注目すべきベンダー報告の新モデルとして評価するのが妥当です。すでに実証済みの業界首位モデルと断定するには、根拠がまだ足りません。517