雲知聲（Unisound）在 2026 年 9 月 15 日發佈 U2-Flash，定位係一款用於「真實工作」嘅高密度模型：一套權重同時處理編程、會用工具嘅 Agent、數學推理同指令跟隨。對開發者而言，重點唔係單純聊天答得幾流暢，而係模型可唔可以完成多步驟任務，例如改 code、跑終端機指令、檢查執行結果，再按錯誤修正下一步。 5

266B 總參數，但每次只啟動約 10B

U2-Flash 用咗**稀疏混合專家（Mixture-of-Experts，MoE）**架構，總參數約 2,660 億（266B），但每次推理約只啟動 100 億（10B），即不足全模型參數嘅 4%。簡單講，MoE 會按輸入內容，經路由機制揀一部分專門處理某類任務嘅「專家」運行，而唔係每個 token 都動用全部參數。 5

呢個就係 U2-Flash 的核心賣點：嘗試以較細嘅實際啟動計算量，提供接近大型稠密模型嘅任務完成能力。不過，現有材料未有提供可獨立比較嘅成本、耗電或質素測試，所以「同等能力下更慳算力」暫時仍然係廠商定位，而唔係已被外部實證嘅結論。 5

佢想做嘅，係寫 code 之外嘅完整工作流程

雲知聲表示，U2-Flash 將編程、Agent、數學推理及指令遵循整合喺同一模型內，目標場景包括工程程式、終端機任務、辦公流程、知識推理及其他生產工作。 5

模型亦有公司所稱嘅「隱式思考」及連續狀態推理，並將推理強度做成四級控制選項。雲知聲指，最高強度模式可輸出可讀嘅推理過程，方便檢查同追溯。 5

但要分清楚：睇到推理文字，的確可能令人工覆核較方便；不過一條表面合理嘅推理鏈，唔代表答案必然正確、安全，或者適合直接放手畀佢處理高風險、自動化任務。 5

後訓練點樣針對 Agent？

雲知聲稱，U2-Flash 建基於 U2 基座模型，再做強化後訓練。其遞迴自我改進（RSI）流程包括由系統協助生成任務、分析任務執行軌跡、找出錯誤，並在人為設定嘅沙盒與驗證限制下，重新抽樣修正後嘅訓練資料。 5

針對軟件工程及 Agent 任務，公司列出幾項做法：

• 非同步 Agent 強化學習；
• 多教師線上策略蒸餾；
• 自適應任務生成；
• 一套接近 10 萬個生成任務嘅軟件工程資料集。 5

公司報稱，呢套訓練方法帶來約 60% 更多有效訓練軌跡，並可用約少 55% 訓練步數達到可比能力。呢啲數字未有附上配對基準、原始實驗結果或可重現訓練材料，因此只能視為公司披露。 5

用白話講，個方向係訓練模型做多步驟工作：試做一個任務、檢討有冇用錯工具或行錯流程、修正後再學。呢個機制聽落合理，但目前不足以證明每一個環節各自造成咗幾多性能提升。 5

公司報稱嘅編程與 Agent 成績

雲知聲公布 U2-Flash 相比上一代 U2，在幾個軟件工程及終端機導向評測都有提升：

評測	雲知聲報稱 U2-Flash 分數	公司比較說法
DeepSWE v1.1	64.6	約為上一代兩倍；公司稱比較中高過 GLM5.3-Flash 及 DeepSeek-V4-Pro-0813。
TerminalBench 3.0	24.3	公司稱高過 K3 等萬億參數級模型。
SWE-Bench Pro	61.6	較上一代高 10.5 分。

5

另外，公司稱同 U2 比，U2-Flash 可令 Agent 任務迭代步數少 20% 至 30%、任務執行週期短 35%，token 消耗亦少 20% 至 30%。 5

對揀 Agent 編程模型嘅開發團隊而言，呢啲數字可作為初步篩選信號，但唔應當成獨立排名。現有公布資料未交代模型端點、提示詞、取樣設定、Agent 框架、所用工具、運行環境、評測 harness 配置，以及原始測試記錄。少咗呢啲資料，就難以公平地同其他模型對比。 5

速度、國產算力適配與部署主張

雲知聲表示，U2-Flash 平均首 token 響應時間少於 3 秒，峰值輸出吞吐量最高可達每秒 300 tokens。要注意，公告未有說明使用咩硬件、併發量、上下文長度、精度設定或延遲百分位，因此未足以作直接橫向比較。 5

公司亦稱已就主流中國國產算力平台，從模型架構、核心算子、推理框架到叢集調度作適配及優化。宣傳報道指，部分情境下表現接近 NVIDIA GPU 方案，但未有列出對照晶片、軟件版本、工作負載、批次大小、功耗、成本或延遲量度。單靠現有資料，未能證實已達硬件性能對等。 17

其目標部署情境包括大規模推理、高併發及長上下文負載，面向政企、金融、製造及能源等行業。 17

MaaS 上線與限時優惠：已屬過去條款

資料顯示，U2-Flash 已於雲知聲 MaaS 平台提供服務。當時宣傳的 6 折優惠由 2026 年 9 月 15 日至 9 月 30 日，列出價格為每 100 萬 tokens：輸入人民幣 0.6 元、輸出人民幣 1.2 元、快取命中輸入人民幣 0.12 元；新舊用戶均可於活動期間領取 1 億 tokens 額度。 17

由於呢啲係限時推廣條款，現時有意試用嘅人士，應直接向雲知聲核實供應情況、最新價格、配額及使用條件。 17

總結：值得留意，但未到可蓋棺定論

U2-Flash 的定位好清晰：以 266B 總參數、約 10B active 嘅 MoE 架構，配合任務生成與執行回饋導向嘅後訓練，瞄準生產級編程與 Agent 工作流。雲知聲公開嘅成績，顯示其自家評測中相對上一代 U2 有明顯進步。 5

不過最重要嘅保留係證據質素。基準分數、訓練效率、延遲及吞吐量、token 節省，以至國產加速器接近 NVIDIA GPU 的說法，主要都來自公司公告或宣傳報道。未有獨立機構以相同模型版本、工具環境、硬件及測試條件重現之前，較穩陣嘅看法係：U2-Flash 係一款值得測試嘅廠商主張型新模型，而唔係一個已獲獨立驗證嘅領先者。 517

雲知聲（Unisound）在 2026 年 9 月 15 日發佈 U2-Flash，定位係一款用於「真實工作」嘅高密度模型：一套權重同時處理編程、會用工具嘅 Agent、數學推理同指令跟隨。對開發者而言，重點唔係單純聊天答得幾流暢，而係模型可唔可以完成多步驟任務，例如改 code、跑終端機指令、檢查執行結果，再按錯誤修正下一步。 5

266B 總參數，但每次只啟動約 10B

U2-Flash 用咗**稀疏混合專家（Mixture-of-Experts，MoE）**架構，總參數約 2,660 億（266B），但每次推理約只啟動 100 億（10B），即不足全模型參數嘅 4%。簡單講，MoE 會按輸入內容，經路由機制揀一部分專門處理某類任務嘅「專家」運行，而唔係每個 token 都動用全部參數。 5

呢個就係 U2-Flash 的核心賣點：嘗試以較細嘅實際啟動計算量，提供接近大型稠密模型嘅任務完成能力。不過，現有材料未有提供可獨立比較嘅成本、耗電或質素測試，所以「同等能力下更慳算力」暫時仍然係廠商定位，而唔係已被外部實證嘅結論。 5

佢想做嘅，係寫 code 之外嘅完整工作流程

雲知聲表示，U2-Flash 將編程、Agent、數學推理及指令遵循整合喺同一模型內，目標場景包括工程程式、終端機任務、辦公流程、知識推理及其他生產工作。 5

模型亦有公司所稱嘅「隱式思考」及連續狀態推理，並將推理強度做成四級控制選項。雲知聲指，最高強度模式可輸出可讀嘅推理過程，方便檢查同追溯。 5

但要分清楚：睇到推理文字，的確可能令人工覆核較方便；不過一條表面合理嘅推理鏈，唔代表答案必然正確、安全，或者適合直接放手畀佢處理高風險、自動化任務。 5

後訓練點樣針對 Agent？

雲知聲稱，U2-Flash 建基於 U2 基座模型，再做強化後訓練。其遞迴自我改進（RSI）流程包括由系統協助生成任務、分析任務執行軌跡、找出錯誤，並在人為設定嘅沙盒與驗證限制下，重新抽樣修正後嘅訓練資料。 5

針對軟件工程及 Agent 任務，公司列出幾項做法：

• 非同步 Agent 強化學習；
• 多教師線上策略蒸餾；
• 自適應任務生成；
• 一套接近 10 萬個生成任務嘅軟件工程資料集。 5

公司報稱，呢套訓練方法帶來約 60% 更多有效訓練軌跡，並可用約少 55% 訓練步數達到可比能力。呢啲數字未有附上配對基準、原始實驗結果或可重現訓練材料，因此只能視為公司披露。 5

用白話講，個方向係訓練模型做多步驟工作：試做一個任務、檢討有冇用錯工具或行錯流程、修正後再學。呢個機制聽落合理，但目前不足以證明每一個環節各自造成咗幾多性能提升。 5

公司報稱嘅編程與 Agent 成績

雲知聲公布 U2-Flash 相比上一代 U2，在幾個軟件工程及終端機導向評測都有提升：

評測	雲知聲報稱 U2-Flash 分數	公司比較說法
DeepSWE v1.1	64.6	約為上一代兩倍；公司稱比較中高過 GLM5.3-Flash 及 DeepSeek-V4-Pro-0813。
TerminalBench 3.0	24.3	公司稱高過 K3 等萬億參數級模型。
SWE-Bench Pro	61.6	較上一代高 10.5 分。

5

另外，公司稱同 U2 比，U2-Flash 可令 Agent 任務迭代步數少 20% 至 30%、任務執行週期短 35%，token 消耗亦少 20% 至 30%。 5

對揀 Agent 編程模型嘅開發團隊而言，呢啲數字可作為初步篩選信號，但唔應當成獨立排名。現有公布資料未交代模型端點、提示詞、取樣設定、Agent 框架、所用工具、運行環境、評測 harness 配置，以及原始測試記錄。少咗呢啲資料，就難以公平地同其他模型對比。 5

速度、國產算力適配與部署主張

雲知聲表示，U2-Flash 平均首 token 響應時間少於 3 秒，峰值輸出吞吐量最高可達每秒 300 tokens。要注意，公告未有說明使用咩硬件、併發量、上下文長度、精度設定或延遲百分位，因此未足以作直接橫向比較。 5

公司亦稱已就主流中國國產算力平台，從模型架構、核心算子、推理框架到叢集調度作適配及優化。宣傳報道指，部分情境下表現接近 NVIDIA GPU 方案，但未有列出對照晶片、軟件版本、工作負載、批次大小、功耗、成本或延遲量度。單靠現有資料，未能證實已達硬件性能對等。 17

其目標部署情境包括大規模推理、高併發及長上下文負載，面向政企、金融、製造及能源等行業。 17

MaaS 上線與限時優惠：已屬過去條款

資料顯示，U2-Flash 已於雲知聲 MaaS 平台提供服務。當時宣傳的 6 折優惠由 2026 年 9 月 15 日至 9 月 30 日，列出價格為每 100 萬 tokens：輸入人民幣 0.6 元、輸出人民幣 1.2 元、快取命中輸入人民幣 0.12 元；新舊用戶均可於活動期間領取 1 億 tokens 額度。 17

由於呢啲係限時推廣條款，現時有意試用嘅人士，應直接向雲知聲核實供應情況、最新價格、配額及使用條件。 17

總結：值得留意，但未到可蓋棺定論

U2-Flash 的定位好清晰：以 266B 總參數、約 10B active 嘅 MoE 架構，配合任務生成與執行回饋導向嘅後訓練，瞄準生產級編程與 Agent 工作流。雲知聲公開嘅成績，顯示其自家評測中相對上一代 U2 有明顯進步。 5

不過最重要嘅保留係證據質素。基準分數、訓練效率、延遲及吞吐量、token 節省，以至國產加速器接近 NVIDIA GPU 的說法，主要都來自公司公告或宣傳報道。未有獨立機構以相同模型版本、工具環境、硬件及測試條件重現之前，較穩陣嘅看法係：U2-Flash 係一款值得測試嘅廠商主張型新模型，而唔係一個已獲獨立驗證嘅領先者。 517