作者 | 王涵
編輯 | 漠影
鼠標點擊煙花
多擺混沌系統模擬器
以上這些，都是用云知聲最新發布的 U2 大模型做出來的。
智東西 6 月 8 日報道，今天，" 港股 AGI 第一股 " 云知聲發布其最新通用大語言模型 U2，該模型是由云知聲自研的、基于快慢思考融合的 MoE（混合專家）范式構建的通用大語言模型。U2 跳出了傳統大模型盲目堆參數、堆 Token 的內卷路徑，實現了 " 小參數強能力、少 Token 高產出、低算力低成本 " 的進化。
只從基準測試上看，云知聲 U2 就已經躋身國產大模型第一陣列了。
長上下文能力上，U2 在 AA-LCR 評測中得到 70 分，在對比模型中排在首位，比第二名的 MiniMax M2.5/M2.7 高出 0.5 分。知識與推理上，U2 也以 87.9 分的成績領跑。指令遵循能力方面，U2 同樣表現突出，IFBench 得分 77.3 分，比第二名的 GLM-5.1 高出 1 分。
智能體能力方面，U2 在 SWE-Bench Verified 評測中取得 75 分，排名第三。Claw-Eval（pass@3）方面，U2 獲得 76.9 分，排名僅次于 MiniMax M2.5/M2.7。在面向真實辦公與知識工作交付能力的 GDPval 上，U2 取得 72.5 分，展現出扎實的專業辦公能力。
云知聲團隊告訴智東西，在當下這個時間衡量今天的大模型價值，已經不能再單純比拼參數規模和內容生成長度。當 AI 真正進入真實工作流，用戶關心的不再只是模型能否給出一個漂亮回答，而是它能否真正把任務完成。
因此，云知聲 U2 從設計之初，就不是一個單純面向聊天場景的通用模型，而是一款有著近 3000 億參數、面向任務執行的原生智能體大模型。
U2 具備長程工作編排與自主糾錯能力，這意味著它可以像一位高級工程師那樣，把一個復雜任務拆解成多個子步驟，按序執行，并在過程中自我校驗、自動修正。
比如編程任務，U2 不僅能完成后端邏輯，還能勝任前端全流程開發：從項目功能開發、頁面排布到視覺方案設計，均可端到端落地。
我讓 U2 生成一個新產品發布倒數頁面，要求包含郵箱信息填寫和各個平臺聯系方式的互動按鈕。幾乎沒有反應時間，它就直接交付了內容清晰、可運行的頁面。
這套長程編排與自主糾錯機制，也讓 U2 能夠獨立完成虛擬系統、游戲等完整應用的交付。例如，用戶不需要輸入完整的游戲邏輯，U2 就可以自動搜索相關條件，生成一個符合要求且可玩度很高的俄羅斯方塊小游戲。
面對復雜的知識工作，U2 同樣不靠簡單拼接信息。它具備跨行業數據檢索、多源信息清洗與專業文獻深度結構化分析的能力，能夠并行調用多個工具，將零散、異構的數據整合為有邏輯、有結論的分析結果。
我交給了 U2 一個十分艱巨的任務：分析 2026 年 5 月原油、黃金、銅、農產品等大宗商品走勢，結合地緣政治、供需關系、美元指數、庫存數據，判斷短期價格波動與中長期趨勢。
這個任務不僅需要對當下地緣政治局面十分了解，還要理解地緣政治與大宗商品的內在邏輯關系，需要扎實的歷史知識和金融知識。
面對這個綜合金融問題，U2 幾乎沒有反應時間，自動調取了所需的網頁檢索和分析工具，在一兩分鐘內就洋洋灑灑生成了一篇超 5000 字、帶數據表格的分析報告，展現出十分強大的深度結構化分析能力。
用戶只需一句 " 幫我寫一下本周的周報 "，U2 就會主動梳理已完成事項、提取關鍵數據、調用 docx 技能，并且模型還會自動校驗其生成結果的準確度。從結果看來，U2 輸出的周報文檔，結構清晰、內容完整詳實，可以直接拿來就用。
U2 模型的核心創新，目的都是指向一個清晰的目標：讓模型在真實業務場景中展現出超越體積的智能與效率。
這其中，模型的高智能密度和高 Token 價值就至關重要。
云知聲通過對高質量知識數據的深度提純，實現知識點級的精準萃取與結構化編碼，徹底剔除冗余低質信息，讓小參數模型獲得與超大模型相當的知識承載能力與智能表現。
U2 采用高效稀疏架構，激活參數僅為總參數量的約十分之一，推理成本與激活參數規模線性錨定，高并發場景下的成本優勢尤為突出。
并且，通過優化語義表征與推理路徑壓縮，技術團隊讓模型的單個 Token 承載語義、信息量都遠超傳統模型，用更少 Token 完成更復雜任務，大幅降低企業部署的算力門檻與推理延遲。
傳統顯式思維鏈雖然具備較強可解釋性，但往往需要生成大量中間推理文本，帶來更高 Token 消耗與推理延遲。而隱空間推理，卻可能在復雜任務中出現邏輯漂移，缺乏足夠的可控性與驗證能力。
因此，在復雜推理層面，U2 進一步引入了一個十分獨特的機制：混合思考機制。
它借鑒人腦解題方式：輸出前先在隱藏表征中形成連續思考，在高維空間同步探索多條路徑，再映射為后續顯式推理，避免將全部中間步驟逐一展開。
其中，U2 引入了可控隱空間展開（Bounded Latent Rollout）與熵感知切換（Entropy-aware Switching）機制，使模型能夠根據推理過程中的不確定性動態調整思考方式：當隱式探索穩定時，模型保持高效推理；當不確定性升高、推理路徑可能發散時，則及時回到顯式思維鏈，通過確定性 Token 完成精準推導與結果收斂。
這套設計在保留多路徑探索與可驗證性的同時，還節省了約 25% 的思考 Token 消耗。
在任務執行層面，U2 使用了 Agent-Harness 協同訓練范式，將模型原生 Agent 能力提升與 Harness 迭代優化納入同一訓練閉環：一方面，Harness 根據 U2 的模型特點持續優化任務執行鏈路；另一方面，真實任務中產生的高質量執行軌跡，又反過來強化模型的任務規劃、工具調用、過程糾錯和結果驗收能力。
總體看下來，U2 整套設計的落點非常清晰：用更小的參數、更少的 Token、更低的算力，在真實業務場景中交付穩定、可靠、可驗證的智能結果。
三、端云協同疊加場景深耕，云知聲走出大模型商業化樣本
云知聲自 2012 年創立以來，走出了一條獨特的發展道路。
首先，在技術硬實力上，云知聲擁有僅少數廠商才具備的全棧 AI 能力，其不僅能做云端，更能做端側，實現了端云協同。不同于單純的模型層廠商，云知聲手握 " 芯片 + 算力 + 模型 + 應用 " 的完整鏈條。其自研的 " 蜂鳥 " 等系列芯片出貨量已超億顆，這使得云知聲在端側大模型的部署上擁有相當的優勢。
在智慧醫療領域，其產品已在近 450 家醫院實現規模化部署，涵蓋病歷生成與質控、輔助診療及保險和醫保監管等場景；在智慧交通領域，產品應用于深圳、廣州、青島等多地地鐵及航空樞紐，提供智慧客服、語音購票及智能調度等解決方案；在智慧生活與 AIoT 領域，通過 " 芯片 + 模型 " 方案，賦能智能家居、智慧座艙、智慧營銷等場景，服務眾多行業頭部企業。
這種在高價值 B 端場景的扎根，讓云知聲成為了國產大模型公司中變現能力最強、離盈利最近的那一個。
財報數據也著實證明了這一點。今年 3 月 26 日，云知聲交出了一張 " 硬核成績單 "：該公司 2025 年營收 12.1 億元，同比增長 29%；其中大模型相關收入達 6.1 億元，同比暴漲 1076%，撐起半壁江山。更值得一提的是，其虧損顯著收窄，全年經調整凈虧損約 1.3 億元，同比下降近 25%，下半年更是大幅縮窄 92%，幾近盈虧平衡。
受益于高質量場景 Token 的需求激增，云知聲 5 月 Token 調用收入的 ARR 環比暴漲 600%，預計 6 月將繼續保持高增長，ARR 達到 1500 萬美元。
這意味著，其收入與客戶 AI 使用強度已關聯，云知聲業務的規模天花板已經全面打開。
結語：躋身國產大模型第一梯隊后，云知聲再次捅破行業天花板
站在 2026 年 6 月的時間點回望，從 2012 年以語音技術起家，到 2025 年登陸港交所，再到如今上市一周年之際發布 U2 大模型，云知聲用 14 年時間完成了從智能交互到 AGI 的跨越。
云知聲的特殊性在于，它從未脫離過產業場景。長達十年的 " 云端芯 " 布局，云知聲積累了深厚的垂直行業 Know-How。U2 大模型發布后，立刻就能在智慧醫療、智慧交通、智慧座艙等場景中產生化學反應，成為生產力工具。
U2 的發布，不僅是其自身的一次產品迭代，更是國產大模型走向成熟化、產業化的一個縮影。
作者 | 王涵
編輯 | 漠影
鼠標點擊煙花
多擺混沌系統模擬器
以上這些，都是用云知聲最新發布的 U2 大模型做出來的。
智東西 6 月 8 日報道，今天，" 港股 AGI 第一股 " 云知聲發布其最新通用大語言模型 U2，該模型是由云知聲自研的、基于快慢思考融合的 MoE（混合專家）范式構建的通用大語言模型。U2 跳出了傳統大模型盲目堆參數、堆 Token 的內卷路徑，實現了 " 小參數強能力、少 Token 高產出、低算力低成本 " 的進化。
只從基準測試上看，云知聲 U2 就已經躋身國產大模型第一陣列了。
長上下文能力上，U2 在 AA-LCR 評測中得到 70 分，在對比模型中排在首位，比第二名的 MiniMax M2.5/M2.7 高出 0.5 分。知識與推理上，U2 也以 87.9 分的成績領跑。指令遵循能力方面，U2 同樣表現突出，IFBench 得分 77.3 分，比第二名的 GLM-5.1 高出 1 分。
智能體能力方面，U2 在 SWE-Bench Verified 評測中取得 75 分，排名第三。Claw-Eval（pass@3）方面，U2 獲得 76.9 分，排名僅次于 MiniMax M2.5/M2.7。在面向真實辦公與知識工作交付能力的 GDPval 上，U2 取得 72.5 分，展現出扎實的專業辦公能力。
云知聲團隊告訴智東西，在當下這個時間衡量今天的大模型價值，已經不能再單純比拼參數規模和內容生成長度。當 AI 真正進入真實工作流，用戶關心的不再只是模型能否給出一個漂亮回答，而是它能否真正把任務完成。
因此，云知聲 U2 從設計之初，就不是一個單純面向聊天場景的通用模型，而是一款有著近 3000 億參數、面向任務執行的原生智能體大模型。
U2 具備長程工作編排與自主糾錯能力，這意味著它可以像一位高級工程師那樣，把一個復雜任務拆解成多個子步驟，按序執行，并在過程中自我校驗、自動修正。
比如編程任務，U2 不僅能完成后端邏輯，還能勝任前端全流程開發：從項目功能開發、頁面排布到視覺方案設計，均可端到端落地。
我讓 U2 生成一個新產品發布倒數頁面，要求包含郵箱信息填寫和各個平臺聯系方式的互動按鈕。幾乎沒有反應時間，它就直接交付了內容清晰、可運行的頁面。
這套長程編排與自主糾錯機制，也讓 U2 能夠獨立完成虛擬系統、游戲等完整應用的交付。例如，用戶不需要輸入完整的游戲邏輯，U2 就可以自動搜索相關條件，生成一個符合要求且可玩度很高的俄羅斯方塊小游戲。
面對復雜的知識工作，U2 同樣不靠簡單拼接信息。它具備跨行業數據檢索、多源信息清洗與專業文獻深度結構化分析的能力，能夠并行調用多個工具，將零散、異構的數據整合為有邏輯、有結論的分析結果。
我交給了 U2 一個十分艱巨的任務：分析 2026 年 5 月原油、黃金、銅、農產品等大宗商品走勢，結合地緣政治、供需關系、美元指數、庫存數據，判斷短期價格波動與中長期趨勢。
這個任務不僅需要對當下地緣政治局面十分了解，還要理解地緣政治與大宗商品的內在邏輯關系，需要扎實的歷史知識和金融知識。
面對這個綜合金融問題，U2 幾乎沒有反應時間，自動調取了所需的網頁檢索和分析工具，在一兩分鐘內就洋洋灑灑生成了一篇超 5000 字、帶數據表格的分析報告，展現出十分強大的深度結構化分析能力。
用戶只需一句 " 幫我寫一下本周的周報 "，U2 就會主動梳理已完成事項、提取關鍵數據、調用 docx 技能，并且模型還會自動校驗其生成結果的準確度。從結果看來，U2 輸出的周報文檔，結構清晰、內容完整詳實，可以直接拿來就用。
U2 模型的核心創新，目的都是指向一個清晰的目標：讓模型在真實業務場景中展現出超越體積的智能與效率。
這其中，模型的高智能密度和高 Token 價值就至關重要。
云知聲通過對高質量知識數據的深度提純，實現知識點級的精準萃取與結構化編碼，徹底剔除冗余低質信息，讓小參數模型獲得與超大模型相當的知識承載能力與智能表現。
U2 采用高效稀疏架構，激活參數僅為總參數量的約十分之一，推理成本與激活參數規模線性錨定，高并發場景下的成本優勢尤為突出。
并且，通過優化語義表征與推理路徑壓縮，技術團隊讓模型的單個 Token 承載語義、信息量都遠超傳統模型，用更少 Token 完成更復雜任務，大幅降低企業部署的算力門檻與推理延遲。
傳統顯式思維鏈雖然具備較強可解釋性，但往往需要生成大量中間推理文本，帶來更高 Token 消耗與推理延遲。而隱空間推理，卻可能在復雜任務中出現邏輯漂移，缺乏足夠的可控性與驗證能力。
因此，在復雜推理層面，U2 進一步引入了一個十分獨特的機制：混合思考機制。
它借鑒人腦解題方式：輸出前先在隱藏表征中形成連續思考，在高維空間同步探索多條路徑，再映射為后續顯式推理，避免將全部中間步驟逐一展開。
其中，U2 引入了可控隱空間展開（Bounded Latent Rollout）與熵感知切換（Entropy-aware Switching）機制，使模型能夠根據推理過程中的不確定性動態調整思考方式：當隱式探索穩定時，模型保持高效推理；當不確定性升高、推理路徑可能發散時，則及時回到顯式思維鏈，通過確定性 Token 完成精準推導與結果收斂。
這套設計在保留多路徑探索與可驗證性的同時，還節省了約 25% 的思考 Token 消耗。
在任務執行層面，U2 使用了 Agent-Harness 協同訓練范式，將模型原生 Agent 能力提升與 Harness 迭代優化納入同一訓練閉環：一方面，Harness 根據 U2 的模型特點持續優化任務執行鏈路；另一方面，真實任務中產生的高質量執行軌跡，又反過來強化模型的任務規劃、工具調用、過程糾錯和結果驗收能力。
總體看下來，U2 整套設計的落點非常清晰：用更小的參數、更少的 Token、更低的算力，在真實業務場景中交付穩定、可靠、可驗證的智能結果。
三、端云協同疊加場景深耕，云知聲走出大模型商業化樣本
云知聲自 2012 年創立以來，走出了一條獨特的發展道路。
首先，在技術硬實力上，云知聲擁有僅少數廠商才具備的全棧 AI 能力，其不僅能做云端，更能做端側，實現了端云協同。不同于單純的模型層廠商，云知聲手握 " 芯片 + 算力 + 模型 + 應用 " 的完整鏈條。其自研的 " 蜂鳥 " 等系列芯片出貨量已超億顆，這使得云知聲在端側大模型的部署上擁有相當的優勢。
在智慧醫療領域，其產品已在近 450 家醫院實現規模化部署，涵蓋病歷生成與質控、輔助診療及保險和醫保監管等場景；在智慧交通領域，產品應用于深圳、廣州、青島等多地地鐵及航空樞紐，提供智慧客服、語音購票及智能調度等解決方案；在智慧生活與 AIoT 領域，通過 " 芯片 + 模型 " 方案，賦能智能家居、智慧座艙、智慧營銷等場景，服務眾多行業頭部企業。
這種在高價值 B 端場景的扎根，讓云知聲成為了國產大模型公司中變現能力最強、離盈利最近的那一個。
財報數據也著實證明了這一點。今年 3 月 26 日，云知聲交出了一張 " 硬核成績單 "：該公司 2025 年營收 12.1 億元，同比增長 29%；其中大模型相關收入達 6.1 億元，同比暴漲 1076%，撐起半壁江山。更值得一提的是，其虧損顯著收窄，全年經調整凈虧損約 1.3 億元，同比下降近 25%，下半年更是大幅縮窄 92%，幾近盈虧平衡。
受益于高質量場景 Token 的需求激增，云知聲 5 月 Token 調用收入的 ARR 環比暴漲 600%，預計 6 月將繼續保持高增長，ARR 達到 1500 萬美元。
這意味著，其收入與客戶 AI 使用強度已關聯，云知聲業務的規模天花板已經全面打開。
結語：躋身國產大模型第一梯隊后，云知聲再次捅破行業天花板
站在 2026 年 6 月的時間點回望，從 2012 年以語音技術起家，到 2025 年登陸港交所，再到如今上市一周年之際發布 U2 大模型，云知聲用 14 年時間完成了從智能交互到 AGI 的跨越。
云知聲的特殊性在于，它從未脫離過產業場景。長達十年的 " 云端芯 " 布局，云知聲積累了深厚的垂直行業 Know-How。U2 大模型發布后，立刻就能在智慧醫療、智慧交通、智慧座艙等場景中產生化學反應，成為生產力工具。
U2 的發布，不僅是其自身的一次產品迭代，更是國產大模型走向成熟化、產業化的一個縮影。
