AnswersPublished12 sources
Unisound U2-Flash: 266 miljarder parametrar – men bara 10 miljarder aktiva
Unisound släppte U2 Flash den 15 september 2026. Modellen är en gles MoE modell med cirka 266 miljarder parametrar, varav omkring 10 miljarder aktiveras vid varje inferenskörning.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- Unisound släppte U2 Flash den 15 september 2026. Modellen är en gles MoE modell med cirka 266 miljarder parametrar, varav omkring 10 miljarder aktiveras vid varje inferenskörning.
- Unisound uppger 64,6 på DeepSWE v1.1, 24,3 på TerminalBench 3.0 och 61,6 på SWE Bench Pro, samt en 35 procent kortare exekveringscykel för agentuppgifter jämfört med U2.
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 är en ny så kallad högdensitetsmodell, baserad på företagets grundmodell U2 och lanserad den 15 september 2026. Ambitionen är att en och samma modell ska hantera programmering, verktygsanvändande AI-agenter, matematisk slutledning och instruktionsföljning – utan att hela modellens parameteruppsättning behöver användas vid varje svar. 5
266 miljarder parametrar – omkring 10 miljarder används per körning
U2-Flash bygger på en gles mixture-of-experts-arkitektur (MoE). Den har ungefär 266 miljarder parametrar totalt, men enligt Unisound aktiveras cirka 10 miljarder parametrar per inferens, alltså mindre än 4 procent av helheten. I en MoE-modell väljer en router ut de specialiserade modelldelar som är mest relevanta för inmatningen, i stället för att köra alla parametrar för varje token. 5
Det är kärnan i Unisounds argument: modellen ska kunna leverera hög kvalitet i uppgiftslösning med en betydligt mindre aktiv beräkningsmängd än en jämförbar tät modell. De tillgängliga underlagen innehåller dock inga oberoende jämförelser av kostnad, energianvändning eller kvalitet under likvärdiga testförhållanden. 5
Inriktad på kodning, agenter och flerledsuppgifter
Enligt Unisound samlar U2-Flash programmering, AI-agenter, matematisk slutledning och instruktionsföljning i samma vikter. De angivna användningsområdena omfattar bland annat ingenjörsinriktad kod, terminaluppgifter, kontorsarbete, kunskapsresonemang och andra produktionsflöden. 5
Modellen har också vad företaget kallar implicit tänkande och kontinuerlig tillståndsbaserad slutledning. Slutledningsstyrkan erbjuds i fyra nivåer, och vid den högsta nivån kan modellen enligt Unisound lämna ett läsbart resonemangsspår för granskning och spårbarhet. Ett synligt resonemangsspår gör dock inte i sig ett svar korrekt, säkert eller lämpligt för autonom användning i verksamhetskritiska situationer. 5
Träningsmetoden: återkoppling från försök och fel
Unisound beskriver U2-Flash som resultatet av förstärkt efterträning av U2-grundmodellen. Metoden omfattar en cykel för rekursiv självförbättring, RSI, där systemet hjälper till att skapa uppgifter, analysera exekveringsspår, identifiera fel och sampla om korrigerade träningsdata inom sandlådor och verifieringsramar som satts upp av människor. 5
För mjukvaruutveckling och agentarbete uppger företaget att systemet kombinerar:
- asynkron förstärkningsinlärning för agenter
- online-destillering av policyer från flera lärarmodeller
- adaptiv uppgiftsgenerering
- en uppgiftsuppsättning för mjukvaruutveckling på närmare 100 000 genererade uppgifter.
5
Unisound rapporterar ungefär 60 procent fler effektiva träningstrajektorier och cirka 55 procent färre träningssteg för att nå jämförbar förmåga. Det är företagets egna uppgifter. Underlaget innehåller inte försöksupplägg, jämförbara baslinjer, råkörningar eller reproducerbara träningsartefakter som krävs för att oberoende bedöma siffrorna. 5
Praktiskt innebär den beskrivna strategin att modellen tränas för arbetsflöden i flera steg: försöka lösa en uppgift, bedöma hur verktyg eller exekvering användes, hitta misstag och använda rättade exempel för att förbättra senare beteende. Det är en rimlig tolkning av systembeskrivningen – inte ett bevis för att varje enskild metod orsakade de rapporterade förbättringarna. 5
Unisounds rapporterade resultat för kodning och agenter
Företaget uppger tydliga förbättringar jämfört med föregående U2-generation i flera utvärderingar för mjukvaruutveckling och terminalarbete:
| Benchmark | Resultat som Unisound uppger för U2-Flash | Företagets jämförelse |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Ungefär dubbelt så högt som föregående U2-resultat. Unisound säger att modellen överträffade GLM5.3-Flash och DeepSeek-V4-Pro-0813 i dess jämförelse. |
| TerminalBench 3.0 | 24,3 | Unisound uppger att resultatet överträffade K3-modeller i biljonparameterklassen. |
| SWE-Bench Pro | 61,6 | Uppges vara 10,5 poäng högre än föregående generation. |
Därutöver rapporterar Unisound 20–30 procent färre agentiterationer, 35 procent kortare exekveringscykel för uppgifter och 20–30 procent lägre tokenförbrukning jämfört med U2. 5
Siffrorna är relevanta för utvecklare som utvärderar modeller för agentbaserad kodning, men de är inte oberoende rankningar. Det tillgängliga materialet specificerar inte modelländpunkt, prompter, samplingsinställningar, agentramverk, verktyg, exekveringsmiljö, testharness eller råa benchmarkkörningar. 5
Uppgifter om hastighet och driftsättning
Unisound säger att U2-Flash i genomsnitt når första token på under tre sekunder och som mest kan generera upp till 300 token per sekund. Precis som för benchmarkresultaten saknas uppgifter om hårdvara, samtidighet, kontextlängd, precision och latenspercentiler som behövs för en rättvis jämförelse av serveringsprestanda. 5
Företaget uppger också att modellen har anpassats för vanliga kinesiska inhemska beräkningsplattformar, från modellarkitektur och centrala operatorer till inferensramverk och klusterschemaläggning. Marknadsföringsmaterial säger att vissa driftsättningsscenarier närmar sig Nvidia-GPU:ers prestanda, men redovisar inte jämförbara chip, programvaruversioner, arbetslaster, batchning, energidata, kostnader eller latensmätningar. Det räcker inte för att fastslå hårdvarumässig likvärdighet. 17
Optimeringarna positioneras för storskalig inferens, hög samtidighet och långa kontexter inom offentlig sektor och företag, finans, tillverkning och energi. 17
MaaS och tidsbegränsade villkor i september
U2-Flash uppgavs vara tillgänglig via Unisounds MaaS-plattform, alltså model as a service där kunder anropar modellen som en molntjänst. I kampanjmaterial nämndes 60 procents rabatt mellan den 15 och 30 september 2026. De angivna priserna var 0,6 RMB per miljon inputtoken, 1,2 RMB per miljon outputtoken och 0,12 RMB per miljon cachade inputtoken. Nya och befintliga användare uppgavs dessutom kunna få 100 miljoner token under kampanjen. 17
Eftersom villkoren var tidsbegränsade bör den som överväger tjänsten kontrollera aktuell tillgänglighet, prissättning, kvoter och användarvillkor direkt med Unisound. 17
Slutsats: lovande uppgifter, men inte oberoende bekräftade
U2-Flash är en MoE-lansering tydligt riktad mot produktionsflöden för kodning och AI-agenter: 266 miljarder parametrar totalt, cirka 10 miljarder aktiva per inferens, en efterträningsprocess med uppgiftsgenerering och återkoppling från exekvering samt styrbara slutledningslägen. Unisounds egna resultat pekar på ett betydande steg framåt jämfört med den tidigare U2-modellen i företagets utvalda teknikbenchmarkar. 5
Det avgörande förbehållet gäller bevisläget. Benchmarkpoängen, träningsuppgifterna, latens- och genomströmningssiffrorna, tokenbesparingarna och jämförelserna med inhemska acceleratorer är huvudsakligen företagsuppgifter eller marknadsföringsrapportering. Tills oberoende granskare publicerar reproducerbara tester med matchade modellversioner, verktyg, hårdvara och testvillkor bör U2-Flash ses som en lovande leverantörsrapporterad lansering – inte som en slutgiltigt bekräftad marknadsledare. 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: 266 miljarder parametrar – men bara 10 miljarder aktiva"?
Unisound släppte U2 Flash den 15 september 2026. Modellen är en gles MoE modell med cirka 266 miljarder parametrar, varav omkring 10 miljarder aktiveras vid varje inferenskörning.
What are the key points to validate first?
Unisound släppte U2 Flash den 15 september 2026. Modellen är en gles MoE modell med cirka 266 miljarder parametrar, varav omkring 10 miljarder aktiveras vid varje inferenskörning. Unisound uppger 64,6 på DeepSWE v1.1, 24,3 på TerminalBench 3.0 och 61,6 på SWE Bench Pro, samt en 35 procent kortare exekveringscykel för agentuppgifter jämfört med U2.
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