实测云知声U2-Flash：18分钟速搓Agent、打造超写实大型滑梯

智东西
作者 毕伟豪
编辑｜漠影

一款模型“好不好”，究竟该如何定义？

显然，Agent正在改变人们评价大模型的方式。过去，判断模型强不强，往往看参数规模、Benchmark成绩和上下文长度。

而在Agent时代，一款能够又快又好地解决问题、完成任务，且token花得起的模型，才是很多用户眼中的好模型。

顶级模型固然能力更强，但往往思考和执行时间长、成本高昂，而快速模型生成token很快，却容易走错路、反复尝试，甚至需要人工接手，任务完成速度根本没快多少。

用更少的计算和无效尝试，更快更好地完成任务，是如今用户对Flash级别模型的期待，也让Flash级别模型逐渐从旗舰模型的轻量版本，走向一条独立的产品路线：在能力、速度和成本之间寻找新的平衡。

与此同时，一个新的衡量维度随之浮现——智能密度，即让有限的激活参数承担更多有效工作。

云知声刚刚发布的新一代主力模型U2-Flash，正是围绕这一方向训练的。它采用稀疏MoE架构，总参数约266B，激活参数仅10B，最快输出速度达到300tokens/s，首字响应平均3秒以内，其能力可以覆盖编程、Agent、推理、指令遵循等多类任务。

从评测结果来看，U2-Flash的提升也不只体现在速度上。在考察代码生成与软件工程任务的DeepSWE v1.1中，U2-Flash取得64.6分，较上一代模型U2实现翻倍式增长；在考察复杂软件工程问题解决能力的SWE-Bench Pro中取得61.6分，较前代提升10.5分；在考察终端环境下Agent自主执行能力的TerminalBench 3.0中，得分达到24.3分。

▲U2-Flash评测成绩（来源：云知声）

智东西对U2-Flash进行了多方位实测，看看它在长链路Agent、编程和办公任务中，能否做到“又快又好”。

一、18分钟速搓“ChatGPT”，打造超写实大型滑梯

在以往的测试过程中，我们往往会用一个简单的任务来试探模型的水准，但对U2-Flash，我们直接交给它一个极具考验的需求：做一个Agent。

在开源Agent界，Pi一直为众多开源爱好者所认可，开发者可以通过这个底层Agent框架来定制自己的专属Agent，我们交给U2-Flash的第一个任务，就是通过阅读Pi的代码仓库，创建一个新Agent，名叫Goat，然后推送到GitHub上。

这个项目非常考验模型对于长链路任务的处理能力，需要模型能够充分阅读并理解仓库内容，然后搭建简易循环，同时配好环境，最后上传。

U2-Flash在编程上速度确实很快，从阅读仓库代码到跑通一个简单的Agent仅用了18分钟，所呈现的结果符合我们所提出的要求，构建了一个能够调用工具并与人交互的Agent，并通过了简单的文件创建测试。

在这个过程中，U2-Flash自己规划了任务路径，然后选择了本机上常用的OpenCode Go订阅作为默认模型，随后构建了Agent，上传到了GitHub，非常高效。

接下来，我们让U2-Flash给Goat封装一个WebUI，没有提出任何其他要求，能看到其实U2-Flash的创建的WebUI在交互上没有什么问题，但UI的设计审美稍弱一些。

随后我们不断提出新要求，例如增加历史对话、记忆系统、模型选择器和预览页面等，U2-Flash很快重构了UI，能看到下图中已经有了这些Agent刚需的功能区域了。

最后，智东西让U2-Flash对整个UI进行了重绘，并提供了非常详尽的提示词。能看到，在有充足信息的情况下，U2-Flash重绘后的页面美观程度直线上升，俗话说就是顺眼多了。

接下来，我们测试了另一个重型任务，让U2-Flash调用Blender来搭建一个大型滑梯的3D建模，这项任务非常考验模型的空间结构理解、复杂曲面建模以及多步骤任务执行能力。

我们没有只要求它做一个简单的滑梯外形，而是进一步加入了10米级主体结构、螺旋滑道、直线滑道、楼梯、平台、护栏、支撑架等结构，同时要求模型具备真实厚度，并完成材质、灯光、摄像机和场景整理。

相比简单的网页生成，这类任务需要模型持续调用工具、理解三维空间关系，并在发现问题后进行修改，整个过程对Agent的长流程执行和实际交付能力提出了更高要求。

能看到，接到任务后，U2-Flash先对整体结构和建模顺序进行了规划，明确主体尺寸后，再确定主塔、平台、滑道等核心结构的实现方式。具体到螺旋滑道这类复杂曲面，它还会提前考虑轨迹和截面，再生成具体模型，整体思路比较清晰，体现出不错的任务规划能力。

其实从草稿上看，我们就已经能感受到U2-Flash在进行规划后的产出效果了，它仅花了不到20分钟，就已经进入了精细化的处理阶段，同时，滑梯的结构也非常不错。

接下来，U2-Flash自己开始不断渲染和检查，然后修复一些草图中的支撑柱穿透滑道和过度密集的问题，全程无需人工干预，它自己就解决了大部分问题。

最终经过几轮细节调整，总共用时40分钟，U2-Flash完成了整个滑梯的建模，生成结果非常惊艳，整体上没有那种塑料感，支撑柱的金属质感渲染效果非常好，仅存在一些细节上的问题。模型在快速完成任务的同时，交付了一个足够优秀的成果。

三、9篇技术论文做成PPT、43页财报转带表格网页，办公场景也能速通

对于非极客用户来说，办公无疑是最重要的使用场景，长文档总结、多文档信息提取、表格分析、复杂指令执行，这些是每天都在发生、并且决定一个模型能不能被长期调用的任务。

智东西选取了几个企业办公场景中会遇到的任务来进行测试，首先是长篇论文的解读，我们输入了DeepSeek历代模型的技术报告，总共9篇论文，让U2-Flash输出总结报告，提示词如下：

通读DeepSeek的这些核心论文，请逐篇读完之后，从架构、注意力机制、专家路由、训练优化、上下文长度和效率这六个维度，把每一代的关键突破提炼出来，再判断技术之间的继承和迭代关系，搞清楚哪些是第一次提出，哪些是在前代基础上的改良或替换。开头用两百字以内给出一个整体判断，也就是一句话讲清这条主线。接着给一张演进路线表，列出代次、时间、架构与注意力、关键创新、相比上一代解决了什么问题、以及效率变化。然后再用文字描述一张技术谱系，说明MLA、DeepSeekMoE、多token预测、稀疏注意力、mHC、Muon这些核心技术分别是从哪一代引入、又被哪一代取代。最后给三条可验证的横向对比结论，每条都标上论文出处。

U2-Flash耗时约40分钟，给出了一份关于DeepSeek模型演进谱系的分析报告，从内容上看非常凝练，核心要点都囊括在内了。

随后，我们让U2-Flash根据这份报告做一个PPT，并让它保持DeepSeek的元素，再配上一些论文截图。

有意思的是，在我限定要注意美观之后，U2-Flash对于PPT内元素的设计感变得非常在意，专门费了不少功夫来达到“好看”程度，从手绘到官网下载试了个遍，从这一点上可以看出，U2-Flash在指令遵循方面做得相当不错。

最终，U2-Flash交付了这样一个PPT，并输出了pdf和pptx两种格式，PPT上的论文截图搭配恰到好处，整体上看比较美观，细节处理也不错，在审美方面给了我们一些小惊喜。

最后，智东西选择了财报文件解读作为实测的收尾，我们并不想单纯测试U2-Flash在文件读取方面的能力，而是通过一个网页开发任务，来看看U2-Flash识别文件、分析数据、制作图表以及网页开发的综合水准，提示词如下：

阅读云知声（Unisound）最新半年报，基于报告真实数据制作一个半年报分析网页：先完整通读报告，提取营收、毛利、净利润、研发投入、现金流、资产负债等核心财务指标，以及业务板块构成、同比与环比变化、主要风险与经营亮点，再据此设计一个包含关键指标卡片、营收与利润趋势图、业务结构占比图、增长归因和总结结论的单页分析网站；页面要求数据准确、引用有出处、图表清晰可交互、适配桌面与手机、采用现代简洁商务风格，最终交付一个可直接在浏览器打开的完整HTML文件（含内联样式与必要的图表脚本），并在页面顶部注明数据来源与报告期，若某项数据报告中未披露则明确标注而非编造。

U2-Flash提取了全部43页文件中的关键财务信息，如收入、毛利、亏损、研发投入等，并将这些数据做成了表格内嵌到网页中，最终呈现出了一个既美观又具备实用性的财报分析网页。

四、后训练增大智能密度，自主闭环演进押注RSI

整体实测下来，U2-Flash的表现并不只是生成速度较快，它同样在任务完成质量上做得足够好。

无论是18分钟完成一个长链路Agent、大型滑梯建模，还是处理多份技术论文、43页财报并生成网页，都需要模型具备强大的推理、规划和自主执行能力，在实测中，U2-Flash表现确实可圈可点。

U2-Flash并不是对前一代模型U2简单做“快”和“省”的效率精简，它是云知声针对真实生产力场景推出的一种新的模型形态。云知声希望U2-Flash可以在较低激活参数下，同时覆盖推理、编程、Agent等能力，并通过后训练进一步强化自主执行。

这种设计也与云知声长期的场景积累有关。云知声拥有10年以上的行业场景和数据积累，长期参与真实业务，使其能够围绕文档处理、数据分析、代码开发、Agent执行等任务持续积累训练数据和经验。

因此，U2-Flash的训练目标除了提升单项Benchmark成绩，还包括任务理解、路径规划、工具使用和最终完成效果的优化。

具体到训练层面，云知声构建了一套后训练体系，包括自主闭环演进、自适应任务生成、多教师在线蒸馏、异步Agent RL以及自我运维。其中，自主闭环演进是比较核心的一环，也是云知声探索递归自我改进（Recursive Self-Improvement，RSI）的阶段性实践。

目前的U2-Flash并非完全自主的开放式自我改进系统，而是一个有明确边界的闭环：模型参与“生成任务、执行任务、发现问题、产生数据、继续训练”的过程，通过强弱模型轨迹对比，定位影响任务结果的关键步骤，再将这些薄弱环节转化为后续训练数据。随着模型能力变化，任务难度也会相应调整。

在这一过程中，模型的角色开始从单纯的训练对象扩展到训练流程的参与者。比如，多教师在线蒸馏将数学、代码、Agent、指令遵循等不同方向的能力迁移到统一模型中；异步Agent RL则针对长链路任务并行采集执行轨迹，并分析影响任务成败的关键Action。自我运维则进一步让模型参与训练环境检查和异常处理。

云知声认为，这类有界闭环是进一步探索RSI的起点。更高阶的方向，则是让模型逐步参与训练策略、任务设计乃至研发流程本身的改进。不过，这类开放式递归自我改进目前仍处于探索阶段，U2-Flash现阶段主要是在技能、数据和训练流程等相对明确的范围内进行实践。

从数据来看，这套训练方式已经带来了一些可量化的变化。相比U2，U2-Flash完成Coding Agent任务所需的迭代步数平均减少约20%～30%，Agent任务完成时间缩短约35%；异步Agent RL使单位时间产生的有效训练轨迹数提升约60%，多教师蒸馏则使达到同等能力水平所需的训练步数减少约55%。

U2-Flash力图证明的一件事是：模型参数规模固然重要，但对于Agent而言，有限的激活参数能够释放多少有效任务能力，同样值得关注。

五、更快更好的模型，有机会成为“默认”的那个

回到产业视角。过去，开发者和企业通常采用分层调用：简单任务用小模型，复杂任务切换旗舰模型，专项任务再调用专用模型。但多模型接入、任务路由和上下文衔接，也会带来额外的系统复杂度和延迟。

因此，当一款Flash级别模型能够同时满足能力够用、响应够快、成本可控、Agent稳定运行等条件，它就有机会从旗舰模型的补充，成为企业日常任务的默认入口。

U2-Flash的定位正是如此。它将编程、Agent、推理、工具调用和办公处理等能力集中在同一套模型中，重点覆盖文档分析、数据处理、会议纪要、方案生成、代码理解与修改等高频任务。

▲U2-Flash制作的PPT（来源：云知声）

云知声判断，随着Flash级别模型能力继续提升，未来有望覆盖企业90%以上的真实任务，旗舰模型更多承担少量复杂任务的兜底。

当然，Flash级别模型并不意味着可以替代所有模型。从实测来看，U2-Flash在复杂数学推理、前沿科研、深度推理，以及部分空间关系理解任务上仍存在能力边界，这类任务依然更适合交给能力上限更高的模型。更现实的路由方式，是让Flash模型承担大多数高频任务，遇到超出能力边界的任务再切换到更强的模型。

对于政企、金融、能源等场景，模型能否进入生产环境，还取决于本地部署、国产芯片和操作系统适配等条件。由此来看，Flash模型的竞争正在从单纯追求响应速度，转向在能力、成本、延迟和部署适配之间寻找平衡。

从实测效果上看，U2-Flash已经能在各种任务中提供高效的解决方案，同时，对于一些长链路的复杂问题，U2-Flash也拥有不俗的能力。

▲U2-Flash调用Blender建模渲染图（来源：云知声）

此外，U2-Flash还支持国产芯片部署。云知声称，在实际服务中，U2-Flash在国产平台上的吞吐、时延、并发和集群扩展效率持续提升，部分场景已接近NVIDIA GPU方案。

毫无疑问，企业以及个人开发者日常模型的选择方案，又多了一种。

结语：Agent时代，模型不仅要快，还要把事情做好

对于Agent而言，“快”从来不只是更快生成Token，更重要的是从接到任务到交付结果，能少走多少弯路，又能把事情做到什么程度。

这也是U2-Flash此次实测给人留下的一个直观感受：速度是它最容易被感知的优势，但任务完成质量才决定它能不能真正承担生产力工作。

18分钟完成Agent搭建、40分钟完成大型滑梯建模，背后考验的并不只是模型的响应速度，还包括任务理解、路径规划、工具调用、问题发现和自主修正能力。

从这个角度来看，U2-Flash所探索的并不是简单的“更快模型”，而是在有限的激活参数和计算成本下，同时把速度与任务完成质量做上去。

而在模型能力之外，云知声还在通过自主闭环演进、多教师蒸馏、异步Agent RL等后训练方式，继续强化模型处理真实任务的能力，同时也在朝着RSI的目标持续迭代。

当然，U2-Flash仍然存在能力边界，一些复杂数学推理、前沿科研以及部分空间关系任务，依然需要能力上限更高的模型。

在可预见的未来，Flash级别模型更现实的发展方向，是在越来越多高频任务中，把速度、能力、成本和稳定性同时做到一个可用的平衡点。

智能密度，正在成为这个阶段新的评价维度。