云知聲U2沖進第一梯隊，大模型開始比拼“智能密度”｜甲子光年

智能密度×Token價值，才是下階段AI的核心競爭力。

作者｜麥子

編輯｜栗子

AI熱身賽已經結束。

過去三年，大模型行業奉行的邏輯簡單粗暴，認為參數越大越好，推理鏈越長越聰明，算力投入越高越能打。千億、萬億參數的軍備競賽，一度成為衡量一家AI公司技術實力的最直觀標尺。

可是，當模型能力逐漸逼近天花板、Agent調用越來越頻繁，推理成本日益成為企業部署的隱形門檻。整個行業不得不開始思考一個新的問題：下一個階段，AI的核心競爭力是什么？

云知聲的回答是：智能密度×Token價值。

2025年6月8日，云知聲上市恰滿一年的時間節點，發布了自研新一代基座大模型U2。U2秉承高智能密度與高Token價值的設計哲學，從底層架構開始重構，采用快慢思考融合的MoE混合專家范式，以10B的極低激活參數實現行業頂級任務表現。

在業內多項評測中，U2不僅在長文本、知識推理和指令遵循等核心基礎能力上全面領先，更在復雜代碼工程與Agent協同辦公等真實任務場景中躋身行業第一梯隊，以更低的算力投入兌現頂級任務完成能力，展現出企業級智能體大規模落地的現實價值。

可以看出，這不是一次簡單的產品迭代，而是云知聲用十三年積累回答AI行業下半場問題的一次公開發聲。參數競賽終會結束，但智能創造價值的能力，才決定一家AI公司最終能走多遠。而云知聲先一步行動，開始推動大模型從“Token驅動”邁向“狀態驅動”的自主執行時代。

1.從回答問題到完成任務，

U2為何一出現就能躋身第一梯隊？

過去三年，大模型行業幾乎都在遵循同一套邏輯。更大的參數規模、更多的訓練數據、更高的算力投入，仿佛模型越大，能力就越強。

相比追逐萬億參數，U2更關注單位Token承載多少有效知識、創造多少業務價值。這背后的底層邏輯是云知聲提出的核心公式：AI行業價值=智能密度×Token價值。智能密度解決的是“單位參數里裝了多少真實知識”，Token價值解決的是“每一個輸出Token是否真正創造價值”。

最新的測評顯示，U2展現了極度務實、面向真實企業級落地場景優化的強大實力。U2在長文本理解、核心知識推理和復雜指令遵循等基礎能力評測中全面領先，充分印證了其“高智能密度”的設計理念。

更值得關注的是，在代碼工程和Agent實戰等更接近真實生產環境的測試中，U2同樣穩居行業第一梯隊。無論是深入真實GitHub開源倉庫完成代碼修復與單元測試跑通，還是在多工具協同的復雜辦公環境中完成長流程任務交付，U2都展現出原生Agent架構所具備的規劃、執行與驗收能力。

這意味著，U2僅僅以僅10B激活參數，不僅在基礎模型能力上達到行業領先水平，更在真實任務場景中證明了自身的工程化落地能力，最終實現了比肩頂級大模型的任務完成效果。

但評測只是起點，真正的考驗來自現實場景。對于優秀的Agent來說，多步自主執行能力意味著，不僅要會干活，更要能把活干完，甚至能夠處理越來越復雜的大型任務。

為了測試U2的工具調用與環境交互能力，我們給它布置了一個經典任務：開發一款俄羅斯方塊小游戲，要求單文件運行、支持方向鍵控制、實時計分，并具備完整視覺效果。

接收到任務后，U2直接自主完成需求拆解、架構設計、代碼編寫、運行驗證等一系列操作。幾分鐘后，一個可直接運行的產品已經生成，可以看到漸變色方塊、動態粒子背景、完整交互邏輯一應俱全。

更有挑戰的是多擺混沌系統模擬器。這個任務要求模型理解混沌擺背后的物理原理，從拉格朗日方程推導開始，完成數理建模、數值求解、動態渲染和交互控制，最終生成一個可實時運行的可視化系統。

從科學原理到工程實現，U2能夠自主完成需求解析、架構設計、代碼編寫、環境調試和自主Debug，展現了端到端的軟件工程交付能力。

可以看到，面對大型工程項目，U2不僅能夠維護多文件之間的依賴關系、接口定義和調用邏輯一致性，還能夠在復雜協作鏈路中完成代碼修改、功能驗證與結果驗收，將原本割裂的開發流程整合為一條完整的執行鏈路。

但會干活，還不等于能高效、準確地把活干完。真正考驗Agent能力的，是面對長流程、多步驟任務時，能否持續保持目標一致性，并最終完成交付。

我們讓U2生成一份新能源汽車行業全景分析報告：要從市場規模、競爭格局、技術路線、政策環境、基礎設施、未來趨勢等維度進行分析，判斷新能源汽車行業的發展趨勢。

這類任務背后涉及市場數據獲取、行業信息檢索、風險測算、風格分析、宏觀研判以及最終報告生成等多個環節。最終U2呈現出來的結果，是一份結構完整、邏輯清晰、具備參考價值的專業研究報告。

整個過程，U2的表現像一個真正的研究團隊負責人。接收到目標后，它會自主拆解任務、規劃執行路徑，并根據不同階段調用對應工具，完成數據獲取、信息篩選、邏輯推演和結果驗證，將多個獨立環節整合為一條完整執行鏈路。

而在辦公場景中，U2展現出的則是Agent能力的更高階，多Agent協同與動態編排的情況下，持續保持穩定執行的狀態。

我們給U2的任務包含十余項約束條件，如歷史遺留問題處理、新流程設計目標、客戶服務規范、突發情況預案以及時間安排要求，多個目標之間還存在復雜依賴關系等。

最終，U2根據任務特性自主裂變并分配控制型、執行型、驗證型等不同角色，形成明確的分工陣型。它不僅生成了規范的PDF備忘錄和配套Excel日程表，還自動完成日期替換、邏輯校驗、細節補充和流程優化建議，幾乎無需修改即可投入使用。

可以看到，面對需要多領域知識、多步驟驗證以及并行探索的復雜任務時，U2能夠根據任務特性自主拆分目標，分配不同角色協同完成。

這種協作模式的價值在于，它讓模型不再依賴單線程思考，而是能夠同時探索多種可能路徑，并通過交叉驗證持續提升結果質量。對于復雜研究、多環節決策以及跨領域任務而言，這種能力意味著更高的執行效率、更低的試錯成本以及更強的任務完成能力。

從軟件開發到行業研究，再到復雜辦公場景，U2展現出的并不僅僅是更強的推理能力，而是一套完整的Agent能力體系：工具調用讓它能夠行動，長程規劃讓它能夠持續執行，多Agent協同則讓它能夠處理更復雜、更龐大的任務。

總之，從性能到真實場景落地，U2始終圍繞一個目標：把智能真正變成生產力。真正優秀的Agent，不只是會干活，而是能夠干得完、干得快、干得省，并最終創造持續的商業價值。從這個意義上說，U2已經完成了從“生成答案”走向“完成任務”的一次躍遷。

2.如何把每一個Token的價值榨到極致？

為什么一個激活參數僅為10b規模的模型，能完成許多百億、千億模型都做不好的任務？

如果沿用過去三年的邏輯，這幾乎是不可能發生的事情。因為行業默認更多參數意味著更多知識，更長推理鏈才能實現更強能力。

而U2恰恰走了一條相反的路。相比生成更多Token，它更關心每一個Token是否真正創造價值；相比堆積更多參數，它更關注單位參數究竟承載了多少有效知識。

這也是云知聲提出“高智能密度×高Token價值”的原因。

而要實現這一目標，首先要解決的是模型架構問題。

傳統稠密模型往往依賴不斷擴張參數規模提升能力，而U2從設計之初便采用了稀疏MoE架構。每次推理過程中，模型只激活完成當前任務所需的專家網絡，而不是調動全部參數參與計算。知識存儲與知識調用被有效解耦，使模型能夠在更小的激活參數規模下維持頂級任務能力。

換句話說，U2追求的是更高的參數利用率。

當然，這些僅僅依靠更高效的架構還遠遠不夠，這就要從根本上解決“思考”的問題。

今天許多推理模型都存在一個共同問題。為了得到正確答案，會生成極長的思維鏈。模型看起來思考得很認真，但大量Token實際上消耗在中間過程，而不是最終結果上。

U2則采用了隱式思考機制。傳統模型需要將每一步推理都轉化為自然語言Token，而U2能夠直接在連續隱空間中完成大量中間推理，僅在關鍵決策節點切換回顯式推理進行驗證。簡單理解為，就是先在內部完成大規模探索，再將真正有價值的推理結果呈現出來。

云知聲大模型事業部總經理劉升平博士舉了一個醫療場景的例子。一份病歷生成任務，傳統模型往往需要輸出2000至3000個Token，而采用隱式思考技術后，U2能夠將輸出壓縮到1000個Token以內，同時保持結果質量。

對于用戶來說，看到的變化很直接，就是更少的Token消耗、更快的響應速度，以及更低的推理成本。

然而，真正決定Agent能力上限的，并不是思考而是執行。

今天很多Agent仍然依賴大量外部工作流和規則系統完成任務規劃、工具調用和過程控制。而U2選擇盡可能將規劃、執行、記憶、校驗和糾錯能力訓練到模型內部。劉升平把這種思路概括為一句話：“大模型做厚，Harness做薄。”

為此，云知聲將模型原生Agent能力的提升與Harness（任務執行腳手架）的迭代優化納入同一訓練閉環，形成雙向強化的協同演進機制。此外，云知聲通過課程學習的核心直覺模擬了人類學習規律，并基于過程獎勵信號識別出無效動作的同時，又能獎勵"看似迂回但開辟關鍵路徑"的高價值探索。

在訓練過程中，Harness持續提供高質量任務環境與反饋信號，而模型則不斷吸收執行過程中的成功路徑、失敗路徑和優化軌跡。隨著訓練迭代推進，原本依賴外部框架完成的能力逐漸內化為模型本身的能力。

這也是為什么在金融研究、辦公自動化和軟件開發等復雜場景中，U2往往能夠以更少輪次完成任務。當許多模型還在不斷確認下一步應該做什么時，U2已經開始主動拆解任務、調用工具并推進執行。

最終，這些能力又進一步轉化為成本優勢。除了MoE帶來的稀疏激活機制之外，U2還通過“隱式探索+顯式驗證”壓縮推理開銷，通過上下文自適應記憶機制減少無效上下文累積，并利用FP8全鏈路精度優化進一步降低訓練和推理成本。

因此，云知聲并沒有選擇通過堆參數、堆算力換取能力，而是試圖通過更高效的架構、更高效的推理方式以及更原生的Agent訓練體系，讓每一個參數承載更多知識，讓每一個Token創造更多價值。

如果說過去的大模型在追求“更多參數、更多Token”，那么U2追求的只有一件事，就是讓每一個激活參數承載更多知識，讓每一個生成Token創造更多價值。

這看似只是技術路線的不同，背后卻代表著AI行業正在從參數競賽走向價值競賽。

3.當Agent變成生產力，

云知聲為什么能最先抓住機會？

云知聲的發展軌跡，某種程度上也是AI產業技術演進的縮影。

從語音識別到自然語言理解，從智能交互到大模型與Agent，過去13年，云知聲始終跟隨AI技術演進的主線前行。正因云知聲持續迭代，才能在每一次技術浪潮到來的時候，都在原有能力基礎上先于同行向前邁進一步。

所以，云知聲發布的U2，更像是云知聲過去所有技術和產業數據積累的一次集中兌現。

當大模型浪潮席卷而來時，很多公司最頭疼的問題是缺場景、缺數據、缺真實業務驗證環境。

而云知聲手里握著的，是過去十余年沉淀下來的數據資產。

過去十三年里，云知聲語音識別只是入口，長期扎根于醫療、交通、IoT等復雜行業場景，手握持續沉淀下來的真實數據、業務流程和行業知識。在醫療領域，云知聲已經服務超過450家醫院；在軌道交通領域，打造了業內首個智慧地鐵站；同時，云知聲還為家電、車載等終端提供語音交互方案。

這些業務看似彼此獨立，但背后卻在持續沉淀了最稀缺的資產：真實世界的數據，以及對真實業務流程的理解。

在ChatGPT時代，這些積累看起來只是垂直行業經驗。可是到了Agent時代，它們開始變成訓練模型最稀缺的養料。

正是基于這些積累，云知聲逐漸形成了一套獨特的“雙模型飛輪”。

一端是通用大模型，負責推理、規劃、工具調用和Agent執行能力；另一端是醫療、智慧交通、智慧座艙等行業模型，持續沉淀垂直領域知識和真實場景經驗。

更重要的是，兩者并非獨立存在，而是在不斷相互強化。

每天產生的新業務數據、新流程和新反饋，會首先沉淀到行業模型中，形成新的專業知識和場景經驗；而這些經過真實環境驗證的知識，又會持續反哺通用大模型，讓模型學習到更接近真實生產環境的問題與解決方式。

于是，一個正向循環開始形成：場景產生數據，數據訓練通用模型。當通用模型能力升級，又可以為專業級模型賦能，反過來為垂直場景創造更多價值。

時間越久，這個飛輪轉得越快。所以，當許多公司還在尋找落地場景時，云知聲已經擁有了一套持續進化的數據與知識體系。

但真正讓云知聲發生變化的，還不只是技術。上市之后，云知聲開始進行一次內部稱之為“二次創業”的組織變革。

過去，研發、平臺和項目交付分散在不同部門，組織結構服務于項目制的商業模式；而Agent時代需要的是從模型研發到商業化落地的快速閉環。“以前我們認為技術好就可以拿下更多客戶，但在agent時代價值驅動成為主流，光講技術有多少牛意義不大，要說清楚我們的大模型能解決多少問題，能帶來多少價值。”劉升平強調。

于是，云知聲開始打通研發、平臺和業務團隊，讓模型能力、產品能力和商業化能力同步迭代。有意思的是，就在云知聲大模型事業部成立后沒幾天，阿里也宣布成立Token Hub事業群，將大模型部門、ToC應用和ToB銷售合并。幾乎是相同的組織邏輯絕非巧合，這是AI行業一個即將成為主流的趨勢。

過去賣的是項目，未來賣的是產品；過去交付的是方案，未來交付的是持續創造價值的智能體。現如今，市場已經開始給出正向反饋。根據云知聲發布的2025年年報數據，云知聲全年實現總收入12.11億元，較2024年的9.39億元增長29.0%。

云知聲業績最大的亮點在于大模型相關業務的爆發式增長。公告顯示，該部分收入從2024年的5187萬元躍升至2025年的6.10億元，增幅超過10倍。這一數據印證了公司“強基模、深應用”戰略在商業化落地方面的初步成效。

還有一組容易被忽略的數據。云知聲5月Token調用收入對應的ARR環比增長約600%，預計6月仍將保持高速增長，對應ARR有望提升至1500萬美元。

這些數字不僅意味著云知聲的產品開始被市場接受，更意味著它正在從一家傳統AI公司，轉變為一家依靠模型能力持續創造價值的AI基礎設施公司。

當行業開始按Token算賬，企業開始為結果買單，誰能夠把智能持續轉化為生產力，成為新的競爭力。

十三年前，云知聲試圖解決的是“機器如何聽懂人”；十三年后，U2試圖解決的問題已經變成了“機器如何替人完成工作”。

從語音交互到原生Agent，從理解世界到執行任務，云知聲走過的十三年，本質上是在不斷縮短機器與生產力之間的距離。而U2，正是這條路徑走到今天交出的最新答案。

（封面圖來源：AI生成）