云知声发布 U2-Flash：266B 参数只激活 10B，却要「干主力模型的活」-AITOP100,AI资讯

一句话看懂这件事：Flash 不再是「阉割版」的代名词。云知声用 266B 总参数、单次只激活 10B 的架构，硬是把编程、Agent 这些主力能力塞进了「高频调用」的成本区间里。

9 月 15 日，云知声（09678.HK）发布自愿性公告，正式推出新一代高密度智能模型 U2-Flash。

它是基于今年 6 月发布的 U2 通用基座模型，做强化后训练得到的。官方定位说得很直接：面向真实任务的新一代高性能主力模型——不是「轻量版」，而是「主力版」。

参数大，激活少，这是关键

U2-Flash 采用稀疏混合专家（MoE）架构，几个数字值得先记住：

这组数字背后的逻辑，是云知声一直讲的「高智能密度」：用更少的激活资源，承载更强能力。

打个比方，这像一座大型工厂，里面有很多专业车间，但每次接到订单，只启动和这次订单相关的几条生产线。写代码时调度编程能力，处理复杂任务时再调用规划推理模块。既保住了「大模型」的能力上限，又压住了每次推理的实际计算负担。

这次 U2-Flash 最硬核的亮点，是编程和 Agent 能力。

几个官方披露的评测成绩：

这些榜单看的不是「模型能不能写出一段看起来对的代码」，而是「能不能在接近真实开发的环境里，把理解需求、改代码、跑测试、修问题连成一条完整链路」。所以 U2-Flash 的价值，在于它不只是「会写」，而是「能写完、跑通、修好」。

很多人看模型速度，第一反应是「首字响应」。但 Agent 任务里，真正重要的指标，是一项任务从开始到结束，要走多少轮、花多久。

U2-Flash 交出的数据是：

翻译一下：它能更快找到有效路径，少走弯路，少做无效探索。对每天要跑大量 Agent 任务的企业来说，这种「总耗时」的下降，比单纯的响应速度提升更有价值。

一个是「隐式思考」+「连续状态推理」。 它不会把所有中间思考过程都直接吐给用户，而是在模型内部完成规划和状态维护，再输出结果。推理强度被封装成四档可控接口，高强度档位能输出完整可读的推理链条，保证过程可核查、可追溯。

另一个是「模型参与自身训练」的闭环。 这是云知声在「递归自我改进」（RSI）方向的第一步实践：模型参与任务生成、轨迹分析、纠错重采，自主构建了近 10 万的高质量 SWE 任务集。官方披露，有效训练轨迹数提升了约 60%，训练步数减少了约 55%。

注意，这「自我改进」不是无边界进化——所有调整都在人工设定的沙盒环境和验证标准内进行，保留完整、可回滚的记录。

用户问题里点到的「完成主流国产算力平台适配」，其实是个容易被忽略、但很关键的点。

大模型部署，不是把模型文件复制到另一种芯片上就完事。不同硬件在算力结构、显存、通信带宽、编程框架上都有差异，MoE 模型的专家调度和通信尤其麻烦。理论上的稀疏优势，如果软硬件不协同优化，根本转化不成实际吞吐。

云知声这次是「从架构到调度的全栈适配」，覆盖核心算子、推理框架、集群调度、显存利用、通信效率。软硬件协同调优后，国产平台的吞吐、时延、并发和集群扩展能力持续提升，部分场景已接近主流 GPU。

这对政企、制造、能源这类对数据安全、算力自主有要求的客户，现实意义不小——不用把模型运行完全绑定在单一硬件上。

放到行业大背景里看，U2-Flash 和谷歌的 Gemini Flash、智谱的 GLM 5.3 Flash、DeepSeek 的 V4.1 Flash，其实走的是同一条路：把「主力能力」装进「高频调用的成本区间」里。

背后的逻辑也不复杂。当 Agent 深度嵌入业务流程，Token 消耗不是「对话量」的线性增长，而是「任务复杂度 × 执行时长」的指数级攀升。一个典型项目，Token 消耗能到百万级，比普通对话高了三个数量级。

所以谁能把「用得起、用得频」这件事解决，谁就能吃到规模化落地的红利。

U2-Flash 的发布，是云知声在这条路上的一次关键卡位。至于它的 Token 业务能不能延续上半年的陡峭增长，还得看真实场景里的表现——但方向，已经写得很清楚了。