AnswersPublished12 sources
Unisound U2-Flash: 266 млрд параметрів, із яких активні лише 10 млрд
Unisound представила U2 Flash 15 вересня 2026 року: це розріджена MoE модель із приблизно 266 млрд загальних параметрів, з яких під час одного інференсу активуються близько 10 млрд. Компанія заявляє 64,6 бала в DeepSWE v1.1, 24,3 у TerminalBench 3.0 та 61,6 у SWE Bench Pro, а також скорочення циклу агентного завданн...
ОпублікувавВідредаговано за допомогою GPT-5.6 TerraЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Unisound представила U2 Flash 15 вересня 2026 року: це розріджена MoE модель із приблизно 266 млрд загальних параметрів, з яких під час одного інференсу активуються близько 10 млрд.
- Компанія заявляє 64,6 бала в DeepSWE v1.1, 24,3 у TerminalBench 3.0 та 61,6 у SWE Bench Pro, а також скорочення циклу агентного завдання на 35% порівняно з 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
Unisound 15 вересня 2026 року представила U2-Flash — нову «високощільну» модель, створену на основі базової U2. Її позиціонують як єдину модель для програмування, агентів, що використовують інструменти, математичного міркування та виконання інструкцій. Головна ідея — не активувати всі параметри одночасно під час відповіді. 5
266 млрд параметрів загалом, близько 10 млрд — в роботі
U2-Flash побудована на розрідженій архітектурі Mixture of Experts (MoE). Загальна кількість параметрів становить приблизно 266 млрд, але за один інференс активується орієнтовно 10 млрд — менш ніж 4% усієї моделі. У MoE-архітектурі маршрутизатор обирає для конкретного запиту частину спеціалізованих компонентів, а не запускає всі параметри для кожного токена. 5
Саме на цьому Unisound будує свою ключову обіцянку: якість виконання складних завдань із меншим активним обчислювальним навантаженням, ніж у зіставної щільної моделі. Водночас наявні матеріали не містять незалежних порівнянь вартості, енергоспоживання чи якості на однакових навантаженнях, які могли б підтвердити цю тезу. 5
Для яких завдань призначена U2-Flash
За словами Unisound, модель поєднує в одному наборі ваг можливості для кодування, агентних сценаріїв, математики та виконання інструкцій. Серед заявлених напрямів — інженерна розробка, завдання в терміналі, офісна робота, міркування на основі знань та інші виробничі процеси. 5
Також компанія говорить про «неявне мислення» та міркування з безперервним станом. Силу міркування можна обирати на одному з чотирьох рівнів; на найвищому рівні модель, за твердженням Unisound, може показувати читабельний ланцюжок міркувань для перевірки й відстежуваності. Проте видимий пояснювальний слід сам по собі не доводить, що відповідь є правильною, безпечною або придатною для автономного застосування у критично важливих системах. 5
Як її донавчали для роботи агентів
Unisound описує U2-Flash як результат посиленого посттренування базової U2. Центральний елемент підходу — цикл рекурсивного самовдосконалення (RSI): система допомагає генерувати завдання, аналізувати траєкторії виконання, виявляти помилки та повторно відбирати виправлені навчальні дані в межах «пісочниць» і процедур верифікації, визначених людьми. 5
Для завдань із програмної інженерії та агентів компанія називає такі складові:
- асинхронне навчання агентів із підкріпленням;
- онлайн-дистиляцію політики від кількох моделей-учителів;
- адаптивне генерування завдань;
- набір для програмної інженерії, що наближається до 100 000 згенерованих завдань.
5
За оцінкою Unisound, це дало приблизно на 60% більше ефективних навчальних траєкторій і дозволило досягати порівнюваного рівня навичок приблизно на 55% меншою кількістю кроків навчання. Це розкриття самої компанії: у доступних матеріалах немає опису експериментального дизайну, порівнюваних базових моделей, сирих запусків чи відтворюваних артефактів, необхідних для незалежної перевірки. 5
Практично це схоже на стратегію для багатокрокової роботи: модель пробує виконати завдання, система оцінює шлях використання інструментів або виконання команд, фіксує помилки й додає виправлені приклади для подальшого навчання. Це обґрунтоване тлумачення описаного процесу, але не доказ того, що кожен його елемент окремо спричинив заявлене зростання результатів. 5
Заявлені результати в кодингу та агентних бенчмарках
Unisound повідомляє про суттєве поліпшення порівняно з попередньою U2 на кількох тестах, пов’язаних із програмною інженерією та роботою в терміналі:
| Бенчмарк | Результат U2-Flash, заявлений Unisound | Порівняння від компанії |
|---|---|---|
| DeepSWE v1.1 | 64,6 | Приблизно вдвічі більше за попередню U2; Unisound стверджує, що результат перевищив GLM5.3-Flash і DeepSeek-V4-Pro-0813 у її порівнянні. |
| TerminalBench 3.0 | 24,3 | Компанія заявляє перевагу над моделями класу K3 із трильйонними масштабами параметрів. |
| SWE-Bench Pro | 61,6 | На 10,5 бала вище за попереднє покоління. |
Додатково компанія заявляє на 20–30% менше агентних ітерацій, на 35% коротший цикл виконання завдання та на 20–30% менше споживання токенів порівняно з U2. 5
Ці цифри можуть бути корисним сигналом для розробників, які оцінюють моделі для агентного кодування. Але їх не варто сприймати як незалежний рейтинг: доступні матеріали не уточнюють кінцеву версію моделі, промпти, параметри семплінгу, агентний каркас, інструменти, середовище, конфігурацію тестового стенду чи сирі результати запусків. 5
Швидкість і розгортання
Unisound заявляє середній час до першого токена менш як три секунди та пікову швидкість генерації до 300 токенів за секунду. Як і у випадку з бенчмарками, в анонсі не наведено даних про обладнання, рівень паралелізму, довжину контексту, точність обчислень або затримки за перцентилями, потрібних для коректного зіставлення з іншими сервісами. 5
Компанія також стверджує, що адаптувала U2-Flash до поширених китайських обчислювальних платформ — від архітектури моделі та ключових операторів до фреймворків інференсу й планування кластерів. Промоційні матеріали повідомляють, що в окремих сценаріях такі розгортання наближаються за продуктивністю до рішень на GPU NVIDIA. Але без зіставлення конкретних чипів, версій ПЗ, навантажень, батчингу, енергоспоживання, вартості та затримок це не є достатнім доказом апаратного паритету. 17
Ці оптимізації Unisound адресує великим інференс-навантаженням, високій одночасній кількості запитів і довгому контексту в державному та корпоративному секторах, фінансах, виробництві й енергетиці. 17
Доступність через MaaS і вереснева акція
Повідомлялося, що U2-Flash стала доступною через MaaS-платформу Unisound. MaaS означає Model as a Service — доступ до моделі через хмарний API. У промоційних матеріалах ішлося про знижку 60% з 15 до 30 вересня 2026 року: 0,6 юаня за мільйон вхідних токенів, 1,2 юаня за мільйон вихідних токенів і 0,12 юаня за мільйон токенів кешованого вводу. Також новим і чинним користувачам пропонували 100 млн токенів у межах акції. 17
Оскільки це були обмежені в часі промоумови, перед використанням варто перевірити у Unisound актуальну доступність, ціни, квоти та правила користування. 17
Висновок: перспективна модель, але без незалежної верифікації
U2-Flash — це MoE-реліз, чітко націлений на виробничі сценарії кодування й агентів: 266 млрд загальних параметрів, близько 10 млрд активних, посттренування на основі генерації завдань і зворотного зв’язку з виконання, а також керовані режими міркування. Заявлені результати вказують на помітний прогрес відносно попередньої U2 на обраних інженерних тестах. 5
Важливе застереження — якість доказової бази. Бенчмарки, оцінки ефективності навчання, дані про затримку та пропускну здатність, економію токенів і порівняння з китайськими прискорювачами здебільшого походять із заяв компанії або промоційних публікацій. Поки незалежні оцінювачі не оприлюднять відтворювані запуски з однаковими версіями моделей, інструментами, обладнанням і тестовими умовами, U2-Flash варто розглядати як перспективний реліз із заявленими постачальником результатами, а не як беззаперечно підтвердженого лідера. 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 млрд параметрів, із яких активні лише 10 млрд"?
Unisound представила U2 Flash 15 вересня 2026 року: це розріджена MoE модель із приблизно 266 млрд загальних параметрів, з яких під час одного інференсу активуються близько 10 млрд.
What are the key points to validate first?
Unisound представила U2 Flash 15 вересня 2026 року: це розріджена MoE модель із приблизно 266 млрд загальних параметрів, з яких під час одного інференсу активуються близько 10 млрд. Компанія заявляє 64,6 бала в DeepSWE v1.1, 24,3 у TerminalBench 3.0 та 61,6 у SWE Bench Pro, а також скорочення циклу агентного завдання на 35% порівняно з 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