ОтветыОпубликовано12 источники
Unisound U2-Flash: 266 млрд параметров, из которых активны около 10 млрд
Unisound выпустила U2 Flash 15 сентября 2026 года: это разреженная MoE модель с примерно 266 млрд общих параметров и около 10 млрд активных на один запуск. Компания заявляет 64,6 балла в DeepSWE v1.1, 24,3 в TerminalBench 3.0 и 61,6 в SWE Bench Pro, а также сокращение цикла агентных задач на 35% по сравнению с U2.
ОпубликовалОтредактировано с помощью GPT-5.6 TerraИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Unisound выпустила U2 Flash 15 сентября 2026 года: это разреженная MoE модель с примерно 266 млрд общих параметров и около 10 млрд активных на один запуск.
- Компания заявляет 64,6 балла в DeepSWE v1.1, 24,3 в TerminalBench 3.0 и 61,6 в SWE Bench Pro, а также сокращение цикла агентных задач на 35% по сравнению с U2.
Промпт ИИ
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
Unisound 15 сентября 2026 года представила U2-Flash — новую «высокоплотную» модель, дообученную на базе U2. Её позиционируют как единую модель для программирования, агентов с вызовом инструментов, математических рассуждений и следования инструкциям. Главная идея — получить высокое качество выполнения задач, не задействуя при каждом выводе все параметры сети. 5
266 млрд параметров всего — около 10 млрд активны
U2-Flash использует разреженную архитектуру Mixture of Experts (MoE): всего у неё около 266 млрд параметров, но в одном запуске активируется примерно 10 млрд, то есть менее 4% от общего числа. В MoE-модели маршрутизатор выбирает для конкретного входа лишь часть специализированных «экспертов», вместо того чтобы прогонять через все параметры каждый токен. 5
Именно этот показатель лежит в основе позиционирования U2-Flash. Unisound утверждает, что модель должна обеспечивать сильное качество выполнения задач при существенно меньшем активном объёме вычислений, чем сопоставимая плотная модель. Однако в доступных материалах нет независимых сопоставлений стоимости, энергопотребления или качества на одинаковых нагрузках, которые могли бы подтвердить это утверждение. 5
Для каких задач предназначена модель
По заявлению Unisound, в одном наборе весов U2-Flash объединяет программирование, агентные сценарии, математические рассуждения и выполнение инструкций. Среди целевых нагрузок названы инженерная разработка, задачи в терминале, офисная работа, работа со знаниями и другие производственные процессы. 5
Компания также говорит о механизмах «неявного мышления» и непрерывного рассуждения с состоянием. Интенсивность рассуждений доступна в четырёх режимах; на максимальном уровне модель, по данным Unisound, способна выдавать читаемую цепочку рассуждений для проверки и трассируемости. Это может облегчить аудит процесса, но сама по себе видимая цепочка рассуждений не доказывает правильность, безопасность или пригодность ответа для автономного применения в критически важных задачах. 5
Как Unisound обучала U2-Flash для агентных задач
Unisound описывает U2-Flash как результат усиленного постобучения базовой U2. В его основе — цикл рекурсивного самоулучшения (RSI): система помогает генерировать задания, анализировать траектории выполнения, находить ошибки и повторно отбирать исправленные данные для обучения в рамках заданных людьми песочниц и процедур верификации. 5
Для задач разработки ПО и агентных сценариев компания заявляет сочетание нескольких подходов:
- асинхронного обучения агентов с подкреплением;
- онлайн-дистилляции политики от нескольких моделей-учителей;
- адаптивной генерации заданий;
- набора задач по программной инженерии, близкого к 100 000 сгенерированных заданий.
5
Unisound сообщает примерно о 60% большем числе эффективных обучающих траекторий и примерно на 55% меньшем числе шагов обучения для достижения сопоставимого уровня возможностей. Это данные самой компании: в предоставленных материалах нет описания экспериментальной схемы, сопоставимых базовых линий, исходных прогонов или воспроизводимых артефактов обучения, необходимых для независимой оценки. 5
Практически такой подход рассчитан на многошаговую работу: выполнить задачу, оценить ход использования инструментов или исполнения, выявить ошибку и использовать исправленный пример для улучшения последующего поведения. Это разумное прочтение описанной системы, но не доказательство того, что каждый из её компонентов по отдельности обеспечил заявленный прирост в бенчмарках. 5
Заявленные результаты в кодинге и работе агентов
Unisound сообщает о заметном улучшении U2-Flash относительно предыдущего поколения U2 на нескольких тестах, связанных с программной инженерией и работой в терминале:
| Бенчмарк | Результат U2-Flash по данным Unisound | Сравнение от компании |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Примерно вдвое выше результата прежней U2; Unisound заявляет превосходство над GLM5.3-Flash и DeepSeek-V4-Pro-0813 в своём сравнении. |
| TerminalBench 3.0 | 24,3 | По заявлению Unisound, выше моделей класса K3 с триллионными масштабами параметров. |
| SWE-Bench Pro | 61,6 | На 10,5 пункта выше предыдущего поколения. |
Дополнительно компания заявляет на 20–30% меньше итераций агента, на 35% более короткий цикл выполнения задачи и на 20–30% меньшее потребление токенов по сравнению с U2. 5
Для разработчиков, оценивающих модели для агентного программирования, эти цифры показывают заявленный профиль производительности. Но считать их независимым рейтингом нельзя: доступные материалы не раскрывают конечную версию модели, промпты, параметры семплирования, агентную обвязку, инструменты, среду, конфигурацию тестового стенда и исходные результаты прогонов. 5
Скорость и развёртывание на аппаратных платформах
Unisound заявляет среднее время до первого токена менее трёх секунд и пиковую скорость генерации до 300 токенов в секунду. Как и в случае с бенчмарками, в объявлении не указаны оборудование, уровень параллелизма, длина контекста, точность вычислений или распределение задержек — без этого прямое сравнение систем обслуживания некорректно. 5
Компания также утверждает, что адаптировала U2-Flash к распространённым китайским вычислительным платформам — от архитектуры модели и ключевых операторов до фреймворков инференса и планирования кластеров. В промоматериалах говорится, что в отдельных сценариях такие развёртывания приближаются к производительности решений на GPU NVIDIA. Однако там не приведены сопоставимые чипы, версии ПО, нагрузки, параметры батчинга, данные по энергопотреблению, стоимости или задержкам. Этого недостаточно, чтобы говорить о подтверждённом паритете с NVIDIA. 17
Оптимизации адресованы крупномасштабному инференсу, высокой параллельности и длинному контексту для государственных и корпоративных организаций, финансового сектора, производства и энергетики. 17
MaaS и акция сентября 2026 года
Сообщалось, что U2-Flash стала доступна на MaaS-платформе Unisound — то есть в модели «модель как сервис» через облачное API. В промоматериалах была указана скидка 60% с 15 по 30 сентября 2026 года: 0,6 юаня за миллион входных токенов, 1,2 юаня за миллион выходных токенов и 0,12 юаня за миллион токенов кэшированного входа. Новым и действующим пользователям также обещали по 100 млн токенов в рамках акции. 17
Это были ограниченные по времени условия, поэтому перед использованием стоит проверить у Unisound актуальную доступность модели, цены, квоты и правила тарификации. 17
Главное
U2-Flash — релиз MoE-модели, ориентированный на производственные сценарии программирования и ИИ-агентов: около 266 млрд параметров всего, примерно 10 млрд активных при инференсе, постобучение с генерацией задач и обратной связью по исполнению, а также управляемые режимы рассуждения. Заявленные Unisound результаты указывают на заметный прогресс относительно U2 в выбранных компанией инженерных тестах. 5
Но решающее значение имеет качество доказательств. Баллы в бенчмарках, показатели эффективности обучения, задержки, пропускная способность, экономия токенов и сравнения с отечественными ускорителями в основном основаны на заявлениях компании и рекламных публикациях. Пока независимые исследователи не опубликуют воспроизводимые прогоны с одинаковыми версиями моделей, инструментами, оборудованием и условиями тестирования, U2-Flash корректнее считать многообещающей моделью с результатами от вендора, а не бесспорно подтверждённым лидером. 5
17
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Unisound U2-Flash: 266 млрд параметров, из которых активны около 10 млрд»?
Unisound выпустила U2 Flash 15 сентября 2026 года: это разреженная MoE модель с примерно 266 млрд общих параметров и около 10 млрд активных на один запуск.
Какие ключевые моменты необходимо проверить в первую очередь?
Unisound выпустила U2 Flash 15 сентября 2026 года: это разреженная MoE модель с примерно 266 млрд общих параметров и около 10 млрд активных на один запуск. Компания заявляет 64,6 балла в DeepSWE v1.1, 24,3 в TerminalBench 3.0 и 61,6 в SWE Bench Pro, а также сокращение цикла агентных задач на 35% по сравнению с U2.
Источники
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