在 Agent 时代，评价大模型的标准正发生根本性转变。过去关注参数规模与基准测试成绩，如今用户更看重模型能否“又快又好”地解决问题，且成本可控。
顶级模型虽强但成本高、耗时久；快速模型虽快却易出错。Flash 级别模型应运而生，旨在能力、速度与成本之间寻找新平衡。由此，一个新的衡量维度——智能密度（即有限激活参数承担更多有效工作）成为关键。
云知声发布的新一代主力模型U2-Flash正是这一方向的代表。该模型采用稀疏 MoE 架构，总参数约 266B，激活参数仅 10B，最快输出速度达 300 tokens/s，首字响应平均 3 秒以内，覆盖编程、Agent、推理及指令遵循等多类任务。
评测数据显示，U2-Flash 在 DeepSWE v1.1 中得分为 64.6 分，较前代翻倍；在 SWE-Bench Pro 中提升 10.5 分至 61.6 分；在 TerminalBench 3.0 中得分 24.3 分，展现出显著的性能跃升。
▲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，验证其在长链路 Agent、复杂编程及办公场景中的表现。
01. 18 分钟速搓"ChatGPT"，打造超写实大型滑梯
测试首选高难度任务：基于开源框架 Pi 创建一个名为 Goat 的新 Agent 并推送至 GitHub。这需要模型具备阅读代码仓库、搭建环境、构建循环及上传文件的长链路处理能力。
U2-Flash 仅用18 分钟便完成任务，成功构建了可调用工具并与人交互的 Agent。随后，模型自主规划路径，选择默认订阅模型，高效完成 GitHub 上传。
在 WebUI 封装测试中，U2-Flash 初版设计审美稍弱，但在增加历史对话、记忆系统等需求后，迅速重构 UI。特别是在提供详尽提示词进行重绘后，页面美观度显著提升。
另一项重型任务是调用 Blender 搭建包含螺旋滑道、楼梯、护栏等复杂结构的 10 米级大型滑梯 3D 模型。这对空间理解与多步骤执行提出了极高要求。
U2-Flash 展现了清晰的任务规划能力：先确定主体尺寸与核心结构，再处理复杂曲面轨迹。不到 20 分钟进入精细化阶段，并在随后 40 分钟内自主修复支撑柱穿透等问题，最终交付了质感优秀的渲染成果。
02. 9 篇技术论文做成 PPT，43 页财报转带表格网页
针对企业高频办公场景，测试聚焦长文档总结、多文档信息提取及复杂指令执行。
首先是 DeepSeek 历代 9 篇技术报告的解读。U2-Flash 耗时约 40 分钟，从架构、注意力机制等六个维度提炼关键突破，生成演进路线表与技术谱系，内容凝练准确。
基于报告制作 PPT 时，U2-Flash 在限定美观度后，主动优化设计元素，最终交付了包含论文截图、排版精美的 PDF 与 PPTX 文件，展现出优秀的指令遵循与审美能力。
在财报分析任务中，模型需阅读 43 页云知声半年报，提取核心财务指标并开发一个含交互式图表的分析网页。U2-Flash 准确提取数据，生成了既美观又实用的单页 HTML 分析网站，数据引用清晰，无编造现象。
03. 后训练增大智能密度，自主闭环演进押注 RSI
U2-Flash 并非简单的效率精简版，而是云知声基于 10 年以上行业场景积累，针对真实生产力打造的新型态模型。其目标是在较低激活参数下，通过后训练强化自主执行能力。
云知声构建了包含自主闭环演进、自适应任务生成、多教师在线蒸馏、异步 Agent RL 及自我运维的后训练体系。其中，自主闭环演进是探索递归自我改进（RSI）的关键实践。
在该闭环中，模型参与“生成 - 执行 - 发现问题 - 产生数据 - 继续训练”的全流程，通过强弱模型对比定位薄弱环节并转化为训练数据。多教师蒸馏与异步 Agent RL 进一步提升了训练效率与长链路任务处理能力。
数据表明，相比 U2，U2-Flash 完成 Coding Agent 任务的迭代步数减少 20%～30%，任务时间缩短 35%；异步 Agent RL 使有效训练轨迹数提升 60%，多教师蒸馏减少 55% 的训练步数。
04. 更快更好的模型，有机会成为“默认”的那个
传统分层调用模式存在系统复杂与延迟问题。当 Flash 级别模型能同时满足能力够用、响应快、成本低及运行稳定时，有望成为企业日常任务的默认入口。
U2-Flash 将编程、Agent、推理等能力集于一身，覆盖文档分析、会议纪要等高频场景。云知声预测，未来 Flash 模型可承载企业 90% 以上的真实任务，旗舰模型仅作兜底。
▲U2-Flash 制作的 PPT（来源：云知声）
当然，U2-Flash 在复杂数学推理及前沿科研等领域仍有边界，更适合与强模型组成路由方案。此外，该模型支持国产芯片部署，部分场景性能已接近 NVIDIA GPU 方案，适配政企本地化需求。
▲U2-Flash 调用 Blender 建模渲染图（来源：云知声）
05. 结语：Agent 时代，模型不仅要快，还要把事情做好
对于 Agent 而言，“快”不仅指 Token 生成速度，更意味着少走弯路、高质量交付。U2-Flash 的实测证明，速度是其显性优势，而任务完成质量才是决定其能否承担生产力工作的核心。
无论是 18 分钟搭建 Agent 还是 40 分钟完成 3D 建模，都体现了模型在有限激活参数与计算成本下，对速度与质量的双重追求。通过自主闭环演进等后训练技术，U2-Flash 正朝着 RSI 目标持续迭代。
未来，Flash 级别模型的发展关键在于在高频任务中找到速度、能力、成本与稳定性的最佳平衡点。智能密度，将成为这一阶段评价模型价值的新维度。
