智东西

作者 | 王涵

编辑 | 漠影

鼠标点击烟花

多摆混沌系统模拟器

以上这些，都是用云知声最新发布的 U2 大模型做出来的。

智东西 6 月 8 日报道，今天，" 港股 AGI 第一股 " 云知声发布其最新通用大语言模型 U2，该模型是由云知声自研的、基于快慢思考融合的 MoE（混合专家）范式构建的通用大语言模型。U2 跳出了传统大模型盲目堆参数、堆 Token 的内卷路径，实现了 " 小参数强能力、少 Token 高产出、低算力低成本 " 的进化。

只从基准测试上看，云知声 U2 就已经跻身国产大模型第一阵列了。

长上下文能力上，U2 在 AA-LCR 评测中得到 70 分，在对比模型中排在首位，比第二名的 MiniMax M2.5/M2.7 高出 0.5 分。知识与推理上，U2 也以 87.9 分的成绩领跑。指令遵循能力方面，U2 同样表现突出，IFBench 得分 77.3 分，比第二名的 GLM-5.1 高出 1 分。

智能体能力方面，U2 在 SWE-Bench Verified 评测中取得 75 分，排名第三。Claw-Eval（pass@3）方面，U2 获得 76.9 分，排名仅次于 MiniMax M2.5/M2.7。在面向真实办公与知识工作交付能力的 GDPval 上，U2 取得 72.5 分，展现出扎实的专业办公能力。

提到云知声，许多人的第一反应或许还停留在 " 那家主攻语音技术的科技公司 "。然而，从 2012 年成立之初深耕智能语音交互，到如今的原生智能体大模型公司，云知声早已寻找到了最适合自己的那条路，完成了蜕变。

一、自动生成俄罗斯方块，2 分钟做出大宗商品研报

云知声团队告诉智东西，在当下这个时间衡量今天的大模型价值，已经不能再单纯比拼参数规模和内容生成长度。当 AI 真正进入真实工作流，用户关心的不再只是模型能否给出一个漂亮回答，而是它能否真正把任务完成。

因此，云知声 U2 从设计之初，就不是一个单纯面向聊天场景的通用模型，而是一款有着近 3000 亿参数、面向任务执行的原生智能体大模型。

U2 具备长程工作编排与自主纠错能力，这意味着它可以像一位高级工程师那样，把一个复杂任务拆解成多个子步骤，按序执行，并在过程中自我校验、自动修正。

比如编程任务，U2 不仅能完成后端逻辑，还能胜任前端全流程开发：从项目功能开发、页面排布到视觉方案设计，均可端到端落地。

我让 U2 生成一个新产品发布倒数页面，要求包含邮箱信息填写和各个平台联系方式的互动按钮。几乎没有反应时间，它就直接交付了内容清晰、可运行的页面。

这套长程编排与自主纠错机制，也让 U2 能够独立完成虚拟系统、游戏等完整应用的交付。例如，用户不需要输入完整的游戏逻辑，U2 就可以自动搜索相关条件，生成一个符合要求且可玩度很高的俄罗斯方块小游戏。

面对复杂的知识工作，U2 同样不靠简单拼接信息。它具备跨行业数据检索、多源信息清洗与专业文献深度结构化分析的能力，能够并行调用多个工具，将零散、异构的数据整合为有逻辑、有结论的分析结果。

我交给了 U2 一个十分艰巨的任务：分析 2026 年 5 月原油、黄金、铜、农产品等大宗商品走势，结合地缘政治、供需关系、美元指数、库存数据，判断短期价格波动与中长期趋势。

这个任务不仅需要对当下地缘政治局面十分了解，还要理解地缘政治与大宗商品的内在逻辑关系，需要扎实的历史知识和金融知识。

面对这个综合金融问题，U2 几乎没有反应时间，自动调取了所需的网页检索和分析工具，在一两分钟内就洋洋洒洒生成了一篇超 5000 字、带数据表格的分析报告，展现出十分强大的深度结构化分析能力。

除此之外，U2 还通过 Agentic Harness（智能体编排框架）精准落地各项办公任务。无论是生成报告、分析数据，还是写周报月报这类琐碎工作，U2 都能自动理解指令、编排执行路径，给打工人卸下不少负担。

用户只需一句 " 帮我写一下本周的周报 "，U2 就会主动梳理已完成事项、提取关键数据、调用 docx 技能，并且模型还会自动校验其生成结果的准确度。从结果看来，U2 输出的周报文档，结构清晰、内容完整详实，可以直接拿来就用。

二、不拼参数拼密度，云知声 U2 把每一个 Token 都用在刀刃上

U2 模型的核心创新，目的都是指向一个清晰的目标：让模型在真实业务场景中展现出超越体积的智能与效率。

这其中，模型的高智能密度和高 Token 价值就至关重要。

云知声通过对高质量知识数据的深度提纯，实现知识点级的精准萃取与结构化编码，彻底剔除冗余低质信息，让小参数模型获得与超大模型相当的知识承载能力与智能表现。

U2 采用高效稀疏架构，激活参数仅为总参数量的约十分之一，推理成本与激活参数规模线性锚定，高并发场景下的成本优势尤为突出。

并且，通过优化语义表征与推理路径压缩，技术团队让模型的单个 Token 承载语义、信息量都远超传统模型，用更少 Token 完成更复杂任务，大幅降低企业部署的算力门槛与推理延迟。

传统显式思维链虽然具备较强可解释性，但往往需要生成大量中间推理文本，带来更高 Token 消耗与推理延迟。而隐空间推理，却可能在复杂任务中出现逻辑漂移，缺乏足够的可控性与验证能力。

因此，在复杂推理层面，U2 进一步引入了一个十分独特的机制：混合思考机制。

它借鉴人脑解题方式：输出前先在隐藏表征中形成连续思考，在高维空间同步探索多条路径，再映射为后续显式推理，避免将全部中间步骤逐一展开。

其中，U2 引入了可控隐空间展开（Bounded Latent Rollout）与熵感知切换（Entropy-aware Switching）机制，使模型能够根据推理过程中的不确定性动态调整思考方式：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，则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。

这套设计在保留多路径探索与可验证性的同时，还节省了约 25% 的思考 Token 消耗。

在任务执行层面，U2 使用了 Agent-Harness 协同训练范式，将模型原生 Agent 能力提升与 Harness 迭代优化纳入同一训练闭环：一方面，Harness 根据 U2 的模型特点持续优化任务执行链路；另一方面，真实任务中产生的高质量执行轨迹，又反过来强化模型的任务规划、工具调用、过程纠错和结果验收能力。

总体看下来，U2 整套设计的落点非常清晰：用更小的参数、更少的 Token、更低的算力，在真实业务场景中交付稳定、可靠、可验证的智能结果。

三、端云协同叠加场景深耕，云知声走出大模型商业化样本

云知声自 2012 年创立以来，走出了一条独特的发展道路。

首先，在技术硬实力上，云知声拥有仅少数厂商才具备的全栈 AI 能力，其不仅能做云端，更能做端侧，实现了端云协同。不同于单纯的模型层厂商，云知声手握 " 芯片 + 算力 + 模型 + 应用 " 的完整链条。其自研的 " 蜂鸟 " 等系列芯片出货量已超亿颗，这使得云知声在端侧大模型的部署上拥有相当的优势。

其次，在商业化壁垒上，云知声的产品已广泛落地于智慧医疗、智慧交通、智慧生活及物联网（AIoT）等多个领域。

在智慧医疗领域，其产品已在近 450 家医院实现规模化部署，涵盖病历生成与质控、辅助诊疗及保险和医保监管等场景；在智慧交通领域，产品应用于深圳、广州、青岛等多地地铁及航空枢纽，提供智慧客服、语音购票及智能调度等解决方案；在智慧生活与 AIoT 领域，通过 " 芯片 + 模型 " 方案，赋能智能家居、智慧座舱、智慧营销等场景，服务众多行业头部企业。

这种在高价值 B 端场景的扎根，让云知声成为了国产大模型公司中变现能力最强、离盈利最近的那一个。

财报数据也着实证明了这一点。今年 3 月 26 日，云知声交出了一张 " 硬核成绩单 "：该公司 2025 年营收 12.1 亿元，同比增长 29%；其中大模型相关收入达 6.1 亿元，同比暴涨 1076%，撑起半壁江山。更值得一提的是，其亏损显著收窄，全年经调整净亏损约 1.3 亿元，同比下降近 25%，下半年更是大幅缩窄 92%，几近盈亏平衡。

受益于高质量场景 Token 的需求激增，云知声 5 月 Token 调用收入的 ARR 环比暴涨 600%，预计 6 月将继续保持高增长，ARR 达到 1500 万美元。

这意味着，其收入与客户 AI 使用强度已关联，云知声业务的规模天花板已经全面打开。

结语：跻身国产大模型第一梯队后，云知声再次捅破行业天花板

站在 2026 年 6 月的时间点回望，从 2012 年以语音技术起家，到 2025 年登陆港交所，再到如今上市一周年之际发布 U2 大模型，云知声用 14 年时间完成了从智能交互到 AGI 的跨越。

云知声的特殊性在于，它从未脱离过产业场景。长达十年的 " 云端芯 " 布局，云知声积累了深厚的垂直行业 Know-How。U2 大模型发布后，立刻就能在智慧医疗、智慧交通、智慧座舱等场景中产生化学反应，成为生产力工具。

U2 的发布，不仅是其自身的一次产品迭代，更是国产大模型走向成熟化、产业化的一个缩影。