云知声发布U2-Flash：266B参数仅激活10B，递归自我改进训练闭环首次落地

9月15日，港交所上市公司云知声发布公告，正式推出基于U2通用基座模型强化后训练的新一代高密度智能模型U2-Flash。该模型采用稀疏混合专家（MoE）架构，总参数约266B，但单次推理仅激活约10B参数，激活比例不足4%；首字响应平均控制在3秒以内，峰值输出吞吐最高可达300 Tokens/s。

能力层面，U2-Flash将编程、智能体、数学推理与指令遵循等多领域能力统一于同一套权重。在DeepSWE v1.1编程榜单中取得64.6分，较前代实现翻倍，超过GLM5.3-Flash、DeepSeek-V4-Pro-0813等模型；TerminalBench 3.0得分24.3，超越K3等万亿参数级模型；SWE-Bench Pro得分61.6，较前代提升10.5分。

效率方面，Agent任务迭代步数减少20%至30%，任务执行周期缩短35%，Token消耗减少20%至30%。训练机制上，该公司首次实践递归自我改进（RSI）路径：模型可参与任务生成、轨迹分析与纠错重采，自主构建规模近10万的高质量SWE任务集，有效训练轨迹数提升约60%，训练步数减少约55%，所有自主调整均在人工设定的沙盒环境内进行并保留可回滚记录。该模型还完成了对主流国产算力平台的系统性适配。

【AICOR 点评】这条新闻的价值不在榜单分数，而在训练范式的切换：模型开始参与自己的训练闭环，而人类的工作退到"设定沙盒与验证标准"这一层。这与我们在企业侧观察到的趋势完全同构——未来的组织竞争力，不在于谁雇了更多人写代码，而在于谁先把"AI改进AI"的闭环在自己的业务数据上跑起来。小激活比例+国产算力适配的组合拳，也意味着这类能力正在快速变得买得起、部署得起，中小企业的AI重构窗口比想象中来得更早。