云知声发布U2大模型，多项评测进入第一梯队

背景

在生成式 AI 快速演进的当下，大语言模型（LLM）的竞争焦点正从单纯的参数规模竞赛转向实际应用效能的深耕。云知声（Unisound）近期正式发布了其新一代通用大语言模型——U2。这一发布旨在回应市场对“高智能密度”与“高 Token 价值”的迫切需求，试图解决传统大模型在复杂任务执行中存在的效率瓶颈与逻辑漂移问题。U2 定位为面向个人、开发者及组织的原生智能体大模型，其技术主张摒弃了盲目堆叠参数的传统路径，转而追求在有限激活资源下承载更强能力，并提升每次调用的交付质量。

核心内容

U2 模型的核心技术主张建立在两个关键维度之上：高智能密度与高 Token 价值。与传统大模型侧重于单轮问答或短链路生成不同，U2 强调面向真实任务的连续执行能力。在复杂办公、软件工程、深度研究及多工具协同等场景中，U2 能够自主拆解并推进超过 100 步的复杂工作流，将需求理解、任务规划、环境交互、工具调用、过程纠错与结果验收串联为完整闭环，实现了从“给出答案”到“完成任务”的跨越。

为了支撑这种长链路、动态且复杂的任务执行，U2 创新性地引入了混合思考机制。该机制并非在显式思维链（Explicit CoT）与隐式推理之间做二选一，而是根据任务阶段、复杂度及不确定性动态切换思考形态。在任务早期，模型优先在隐空间进行高效探索，完成路径搜索、任务拆解、候选方案生成与执行规划，避免将每一步中间思考都解码为可见 Token，从而降低消耗。当任务进入关键判断、复杂约束处理或结果收敛阶段时，模型则切换至显式推理，通过可读、可校验的推理过程完成逻辑校准、过程验证与最终决策。

这一机制进一步结合了可控隐空间展开（Bounded Latent Rollout）与熵感知切换（Entropy-aware Switching）。当隐式探索稳定时，模型保持高效推理；当不确定性升高、推理路径可能发散时，模型及时回到显式思维链，通过确定性 Token 完成精准推导与结果收敛，从而平衡了推理效率与逻辑可控性。

在能力验证方面，U2 在多项国内外权威评测中表现优异，进入主流大模型第一梯队：

• GPQA Diamond（衡量知识与复杂推理能力）：取得 87.9 分，超过 GLM-5.1、Hy3 preview、DeepSeek-V4-Flash（High）和 MiniMax M2.7。
• SWE-Bench Verified（衡量真实软件工程能力）：取得 75 分，进入主流模型第一梯队。
• Claw-Eval (pass@3)（衡量自主 Agent 端到端执行能力）：取得 76.9 分，超过 Hy3 preview、DeepSeek-V4-Flash（High）和 MiniMax M2.7，验证了其在工具调用、流程编排与任务交付中的稳定表现。
• GDPval（面向真实办公与知识工作交付能力）：取得 72.9 分，展现了在资料分析、报告撰写、表格处理、图表生成及幻灯片制作等典型办公任务中的扎实专业能力。

目前，U2 已正式上线云知声 Token Hub，全面面向个人、开发者及组织开放。

关键要点

• 技术理念革新：U2 摒弃参数堆叠，追求“高智能密度”与“高 Token 价值”，旨在用更少激活资源承载更强能力，提升每次调用的交付结果质量。
• 原生智能体架构：不同于传统单轮问答，U2 强调面向真实任务的连续执行，支持自主拆解并推进 100+ 步复杂工作流，实现从需求理解到结果验收的完整闭环。
• 混合思考机制：创新引入动态切换机制，结合显式 CoT 的可解释性与隐式推理的高效性。早期任务在隐空间高效探索，关键节点切换至显式推理进行逻辑校准与验证。
• 动态调控技术：通过可控隐空间展开（Bounded Latent Rollout）与熵感知切换（Entropy-aware Switching），根据推理过程中的不确定性动态调整思考方式，平衡效率与准确性。
• 权威评测领先：在 GPQA Diamond、SWE-Bench Verified、Claw-Eval 及 GDPval 等关键评测中表现突出，多项指标超过 GLM-5.1、DeepSeek-V4-Flash 等主流模型，稳居第一梯队。
• 全面开放部署：U2 模型已上线云知声 Token Hub，向个人、开发者及组织全面开放，支持多种真实场景落地。

意义与影响

U2 的发布标志着大模型应用从“对话辅助”向“任务执行”的重要转变。通过解决传统思维链在 Token 消耗与推理延迟上的痛点，以及完全隐式推理在复杂任务中逻辑漂移的风险，U2 提供的混合思考机制为构建高效、可控的企业级智能体提供了新的技术范式。其在软件工程、深度研究及复杂办公场景中的优异表现，证明了大模型在长链路、多工具协同任务中的实用价值。对于开发者与企业而言，U2 的高智能密度与高 Token 价值特性，有望显著降低 AI 应用的运营成本，同时提升自动化工作流的可靠性与交付质量，加速 AI 在垂直领域的深度集成。