云知声近日正式推出新一代通用大语言模型U2，这款模型以“高智能密度×高Token价值”为核心技术主张，标志着大模型从参数竞赛转向能力效率的深度优化。与传统模型依赖参数堆砌和长文本输出的路径不同，U2通过优化激活资源利用率，在保持低能耗的同时实现更强的任务处理能力，同时聚焦于提升每个token的实际价值，确保模型输出更贴近真实需求的结果。
在权威评测体系中，U2展现出跨领域的系统性优势。在衡量复杂推理能力的GPQA Diamond测试中，U2以87.9分的成绩超越GLM-5.1、Hy3 preview等主流模型，证明其在高难度知识求解中的稳定性；软件工程领域，U2在SWE-Bench Verified评测中取得75分，跻身第一梯队；自主Agent能力方面，Claw-eval（pass@3）测试中76.9分的表现，验证了其在工具调用和流程编排上的可靠性；针对办公场景的GDPval评测中，U2以72.9分展现出涵盖数据分析、报告撰写、多格式文档生成等全流程办公能力。
这款模型的创新突破体现在思维机制的重构上。U2采用混合思考架构，在任务初期通过隐空间推理快速完成路径探索和方案生成，避免中间步骤的冗余token消耗；当进入关键决策节点时，自动切换至显式推理模式，通过可验证的逻辑链条确保结果准确性。其独创的“可控隐空间展开”技术可根据推理不确定性动态调整思考方式，配合“熵感知切换”机制，在效率与可控性之间实现精准平衡。这种设计使U2在保持低推理延迟的同时，复杂任务完成率较传统模型提升40%以上。
知识处理层面，U2通过三重优化构建高效知识底座：首先运用数据精筛技术剔除重复和低质内容，完成知识点级萃取；其次采用稀疏编码架构压缩冗余参数，将核心知识固化在更紧凑的模型结构中；最后通过知识蒸馏技术实现跨模态能力迁移。这种处理方式使模型在保持98%知识覆盖率的同时，推理能耗降低35%，特别适合需要持续稳定输出的企业级应用场景。
针对真实工作流的特性，U2开发了Agent-Harness协同训练体系。该系统将模型原生Agent能力与任务执行框架进行深度耦合，通过闭环训练实现双向优化：一方面，执行框架根据模型特点动态调整任务分解策略；另一方面，真实任务中的高质量执行轨迹反哺模型，强化其在工具调用、过程纠错和结果验收等环节的能力。这种设计使U2在复杂办公场景中展现出独特的优势，能够自主完成包含100+步骤的工作流，在需求理解、环境交互、结果验收等环节形成完整闭环。
在核心能力构建上，U2重点强化了三大维度：推理能力方面，通过长程逻辑稳定技术确保多步骤任务中的目标一致性，动态平衡资源约束与路径选择；代码能力方面，突破传统代码生成局限，实现从需求理解到项目部署的全流程覆盖，支持多文件协同和自主调试；Agent能力方面，提升多工具协同和环境感知水平，可根据API能力边界自动组合调用不同服务，并根据系统反馈实时调整执行策略。这些能力共同支撑起U2从“回答问题”到“完成任务”的范式转变。
目前，U2已正式接入云知声Token Hub平台，向个人开发者、企业用户提供标准化API服务。其独特的任务导向设计使其在软件工程、科研分析、企业办公等长链路场景中表现突出，特别是在需要多工具协同的复杂项目中，U2展现出的自主规划能力和执行稳定性，为人工智能落地产业应用提供了新的解决方案。
