云知声发布U2-Flash：以递归自我改进打破性能三角

递归自我改进（Recursive Self-Improvement, RSI）正在成为AI研发的核心主线。这一理念主张「让模型深度参与自身下一版本的训练与演进」。云知声正式发布 U2-Flash，交出了一份国产大语言模型的 RSI 实践答卷。

在传统产品划分中，Flash 系列多为轻量化、低成本的「平替」选项，往往以牺牲部分复杂推理能力为代价换取更快的响应速度。然而，U2-Flash 打破了这一惯例。该模型不仅生成速度提升 2.1 倍，Agent 任务耗时缩短 35%，Token 消耗减少 20% 至 30%，其基准性能还实现了跨代超越：DeepSWE v1.1 评分从上一代 U2 的 32 分跃升至 64.6 分，TerminalBench 3.0 成绩提升至 9 倍，SWE-Bench Pro 达到 61.6 分。

架构设计上，U2-Flash 采用稀疏 MoE 架构，总参数约 266B，单次推理仅激活约 10B（不到总参数的 4%）。这种高「智能密度」使其在代码和 Agent 任务中能够与万亿参数级的大模型正面抗衡。

实际测试表现：代码验收与长文本处理

API 层面，U2-Flash 支持 512K 上下文窗口，同时兼容 OpenAI 和 Anthropic 协议，可无缝接入 Claude Code、Cursor 等开发工具，并提供四档推理思考强度切换。

在代码调试与长文本实操中，该模型表现出了较强的主动探索能力：

1. 无 Issue 自主排错：在未提供任何具体线索的报销系统仓库中，模型耗时约 7 分钟，准确定位了数据漏算、时区串月导出等 3 项隐藏深层次 Bug，并生成了补丁与测试脚本。
2. 抗干扰与容错自愈：在人为混入错误启动指令、废弃字段和日志诱导的环境中，模型避开了错误的文档指示，自主逆向出正确的接口契约，补齐了单元测试用例。
3. 多格式超长上下文整合：面对包含 14 份混合格式（白皮书、会议纪要、合规说明等）的半结构化项目材料，模型在 8 分多钟内提炼出了逻辑统一的发布文档，准确修正了冲突数据，并指出了待核实事项。

驱动进化的后训练闭环

小激活参数实现高智能密度的核心，在于云知声构建的 RSI 后训练（Post-training）机制。该闭环包含三个核心机制：

• 自主任务生成：解决「训练数据来源」问题。模型根据自身当下的能力边界，动态生成处于难度临界点（即接近突破但尚未解决）的任务。系统已自主构建近 10 万道高质量软件工程类问题。
• 异步 Agent 强化学习：解决「长步数探索效率」问题。将复杂探索拆解至不同沙盒并发运行，避免同步等待导致的资源闲置，并追溯标记关键行动节点。该架构使单位时间有效训练轨迹产出提升约 60%。
• 多教师在线策略蒸馏：解决「多任务平衡」问题。由数学、代码、指令遵循等专项教师模型逐 Token 提供高密度反馈，使模型达到同等能力所需的训练步数降低约 55%。

此外，这套系统已延伸至集群层面的自动运维，支持硬件巡检、故障定位与训练任务自愈，使训练系统故障平均恢复时间缩短至人工介入的三分之一左右。

RSI 的落地分水岭

当前学术界与工业界对 RSI 的评判标准正逐步明朗。国内相关前沿综述将 RSI 分为 L1 至 L5 等级，U2-Flash 的实践体现出了 L3 阶段的特征：在人工设立的沙盒与安全边界内，模型开始自主决定下一代模型应当学习的数据与任务。

由于高频的数据自生成与验证极其依赖计算底座的循环效率，云知声针对国产主流算力平台对底层算子、分布式调度和推理框架进行了适配，部分应用场景下的吞吐与并发表现已接近主流硬件集群水平。随着后训练闭环的持续运转，大语言模型的迭代范式正在从依赖人工标注的线性增长，向模型自主创造有效经验的复利演进迈进。