AnswersPublished12 sources
Unisound U2-Flash: En MoE-modell for koding og agentarbeid
Unisound lanserte U2 Flash 15. september 2026. Selskapet oppgir 64,6 på DeepSWE v1.1, 24,3 på TerminalBench 3.0 og 61,6 på SWE Bench Pro, samt 35 prosent kortere utførelsessyklus for agentoppgaver enn U2.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Unisound lanserte U2 Flash 15. september 2026.
- Selskapet oppgir 64,6 på DeepSWE v1.1, 24,3 på TerminalBench 3.0 og 61,6 på SWE Bench Pro, samt 35 prosent kortere utførelsessyklus for agentoppgaver enn U2.
- Tallene for benchmarker, treningseffektivitet, hastighet og maskinvare er i hovedsak leverandørpåstander og er ikke dokumentert med uavhengig reproduserbare tester.
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 «høytetthet»-modell, bygget på selskapets U2-grunnmodell og lansert 15. september 2026. Målet er én modell for programmering, verktøybrukende agenter, matematisk resonnering og instruksjonsfølging – uten at hele modellstørrelsen må aktiveres ved hvert svar. 5
266 milliarder totalt, 10 milliarder aktive
U2-Flash bruker en sparsom mixture-of-experts-arkitektur (MoE) med rundt 266 milliarder parametere totalt og omtrent 10 milliarder aktive parametere per inferens. Det er under 4 prosent av hele modellens parametermengde. I en MoE-modell velger en ruter ut et begrenset sett spesialiserte delmodeller for den aktuelle oppgaven, i stedet for å kjøre alle parametere for hvert token. 5
Dette er kjernen i Unisounds argument: Modellen skal kunne løse krevende oppgaver med en mindre aktiv beregningsmengde enn en tett modell med tilsvarende kapasitet. Det foreligger imidlertid ikke uavhengige, sammenlignbare målinger av kostnad, strømforbruk eller kvalitet som bekrefter dette på tvers av like arbeidslaster. 5
Rettet mot koding, agenter og praktisk arbeid
Ifølge Unisound samler U2-Flash programmering, agentfunksjoner, matematisk resonnering og instruksjonsfølging i samme vekter. Selskapet peker på programvareutvikling, terminaloppgaver, kontorarbeid, kunnskapsresonnering og andre produksjonsrettede arbeidsflyter som bruksområder. 5
Modellen skal også ha det Unisound kaller implisitt tenkning og resonnering med kontinuerlig tilstand. Resonneringsstyrken kan styres i fire nivåer, og på høyeste nivå sier selskapet at modellen kan vise et lesbart resonnementsspor for inspeksjon og sporbarhet. Et synlig resonnement gjør ikke i seg selv svaret korrekt, sikkert eller egnet for autonom bruk i høyrisikosituasjoner. 5
Trening med tilbakemelding fra utførelse
Unisound beskriver U2-Flash som resultatet av forsterket ettertrening av U2-modellen. Opplegget omfatter en rekursiv selvforbedringssløyfe (RSI), der systemet bidrar til å generere oppgaver, analysere utførelsesforløp, finne feil og hente ut korrigerte treningsdata. Dette skjer innenfor sandkasse- og verifikasjonsrammer fastsatt av mennesker. 5
For programvareutvikling og agentarbeid sier selskapet at det kombinerer:
- asynkron forsterkende læring for agenter
- nettbasert policy-destillering fra flere lærermodeller
- adaptiv oppgavegenerering
- et programvareutviklingsdatasett med nær 100 000 genererte oppgaver
5
Unisound oppgir rundt 60 prosent flere effektive treningsforløp og omtrent 55 prosent færre treningstrinn for å nå tilsvarende ferdighetsnivå. Dette er selskapets egne opplysninger; det er ikke lagt fram eksperimentoppsett, sammenlignbare baselinjer, råkjøringer eller reproduserbare treningsartefakter som gjør tallene mulig å kontrollere uavhengig. 5
Praktisk sett er dette en strategi for flerstegsoppgaver: forsøke en oppgave, vurdere verktøybruken eller utførelsesveien, identifisere feil og bruke korrigerte eksempler til senere forbedring. Det er en rimelig tolkning av systemet Unisound beskriver, men ikke bevis for at hver enkelt mekanisme alene har skapt de rapporterte resultatene. 5
Unisounds oppgitte resultater for koding og agenter
Unisound rapporterer betydelige forbedringer mot forrige U2-generasjon i flere evalueringer for programvareutvikling og terminaloppgaver:
| Benchmark | Resultat oppgitt av Unisound | Selskapets sammenligning |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Omtrent dobbelt så høyt som forrige U2-resultat. Unisound sier modellen slo GLM5.3-Flash og DeepSeek-V4-Pro-0813 i sammenligningen. |
| TerminalBench 3.0 | 24,3 | Unisound sier resultatet overgikk K3-modeller i trillion-parameterklassen. |
| SWE-Bench Pro | 61,6 | Oppgitt til 10,5 poeng over forrige generasjon. |
Selskapet oppgir dessuten 20–30 prosent færre agentiterasjoner, 35 prosent kortere utførelsessyklus for oppgaver og 20–30 prosent lavere tokenforbruk enn med U2. 5
Dette kan være nyttige signaler for utviklere som vurderer modeller for agentbasert koding, men tallene er ikke uavhengige rangeringer. Tilgjengelig materiale oppgir ikke nøyaktig modellendepunkt, instrukser, samplingsinnstillinger, agentrammeverk, verktøy, miljø, testoppsett eller råresultater. 5
Hastighet og utrulling
Unisound oppgir en gjennomsnittlig tid til første token på under tre sekunder og maksimal utdatahastighet på opptil 300 token per sekund. Kunngjøringen oppgir ikke maskinvare, samtidighet, kontekstlengde, presisjon eller latensfordeling, som trengs for en direkte sammenligning av serverytelse. 5
Selskapet sier også at U2-Flash er tilpasset vanlige kinesiske, innenlandske dataplattformer, fra modellarkitektur og sentrale operatorer til inferensrammeverk og klyngeplanlegging. Markedsføringsomtale sier at enkelte utrullinger nærmer seg NVIDIA-GPU-ytelse, men uten sammenlignbare opplysninger om brikker, programvareversjoner, arbeidslast, batching, strømforbruk, kostnad eller latenstid. Det er ikke tilstrekkelig til å fastslå maskinvareparitet. 17
Optimaliseringene er ifølge selskapet rettet mot storskala inferens, høy samtidighet og lange kontekstvinduer i offentlig sektor og virksomheter, finans, industri og energibransjen. 17
MaaS-tilgang og introduksjonspris
U2-Flash ble omtalt som tilgjengelig gjennom Unisounds MaaS-plattform, altså «model as a service». Markedsføringsomtale beskrev et tidsbegrenset tilbud med 60 prosent rabatt fra 15. til 30. september 2026: 0,6 yuan per million inndatatokener, 1,2 yuan per million utdatatokener og 0,12 yuan per million hurtigbufferlagrede inndatatokener. Nye og eksisterende brukere skulle også kunne hente 100 millioner token i perioden. 17
Siden dette er tidsavgrensede kampanjevilkår, bør interesserte kontrollere gjeldende tilgjengelighet, priser, kvoter og bruksvilkår direkte hos Unisound før de legger dem til grunn. 17
Kort oppsummert
U2-Flash er en MoE-lansering tydelig rettet mot koding og agentarbeid i produksjon: 266 milliarder parametere totalt, omtrent 10 milliarder aktive, ettertrening basert på oppgavegenerering og tilbakemelding fra utførelse, samt styrbare resonneringsmoduser. De oppgitte resultatene tyder på et vesentlig løft fra forrige U2-modell i Unisounds utvalgte ingeniørfaglige tester. 5
Det viktige forbeholdet er dokumentasjonen. Benchmarkresultatene, effektivitetstallene for trening, forsinkelse, gjennomstrømming, tokenbesparelser og sammenligningene med kinesiske akseleratorplattformer kommer i hovedsak fra selskapet selv eller fra markedsføringsomtale. Inntil uavhengige testere publiserer reproduserbare kjøringer med samsvarende modellversjoner, verktøy, maskinvare og testbetingelser, bør U2-Flash vurderes som en lovende leverandørrapportert modell – ikke som en endelig dokumentert 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: En MoE-modell for koding og agentarbeid"?
Unisound lanserte U2 Flash 15. september 2026.
What are the key points to validate first?
Unisound lanserte U2 Flash 15. september 2026. Selskapet oppgir 64,6 på DeepSWE v1.1, 24,3 på TerminalBench 3.0 og 61,6 på SWE Bench Pro, samt 35 prosent kortere utførelsessyklus for agentoppgaver enn U2.
What should I do next in practice?
Tallene for benchmarker, treningseffektivitet, hastighet og maskinvare er i hovedsak leverandørpåstander og er ikke dokumentert med uavhengig reproduserbare tester.
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