云知声上线并开源 U2-Decision：让正确的任务找到正确的智能

让 AI 规划一次出行，用户可能只需要说一句：“帮我找一个合适的航班和酒店。”但要完成这件事，AI 得先判断：哪些信息需要实时查询？价格和退改规则该由什么工具核对？如果涉及预订和付款，又该在哪一步停下来，请用户确认？

模型和工具越多，这类判断就越关键。最近，Jev 等决策模型受到关注，也让一个问题进入更多人的视野：AI 除了要会回答、会执行，还要知道下一步该怎么做。

今天，云知声正式上线并开源决策大模型 U2-Decision，本次开源版本参数量为 4B。它定位于多模型、多 Agent、多工具协作中的决策层，围绕三个问题展开：任务交给谁、任务能否执行、任务沿什么路径完成。对应的三项核心能力，是智能模型路由、安全决策和工作流路由。

U2-Decision 的设计初衷并不复杂：不是所有问题都要交给能力最强的模型，也不是选对模型就一定能完成任务。一个真正可用的 AI 系统，还要在效果、成本、速度和风险之间持续作出判断。

智能模型路由：为任务选择合适的模型

写一封普通邮件、分析一份复杂报表、解答专业问题，对模型能力的要求并不一样。即便同属一类任务，问题的难度、时效要求和可接受的成本也可能不同。过去，模型路由往往依赖预设规则：遇到某类问题，就固定调用某个模型。U2-Decision 则把任务类型、复杂度、风险、模型能力、成本和时延放在一起判断，再选择更合适的模型。

例如，同样是处理一份材料，提取日期和名称，可能不需要调用复杂推理模型，如果用户要求核对多份材料中的矛盾信息，并解释判断依据，就需要更强的分析能力。U2-Decision 要做的，是识别这两类任务的差别，把它们交给适合的模型处理。

安全决策：在执行之前，先判断边界

AI 的安全问题，并不只发生在答案生成之后。有些任务在开始之前，就需要判断请求是否合适、数据能否使用、当前模型是否足以可靠地处理。比如，用户要求 AI 根据一份包含敏感信息的文件生成对外材料。系统不能只考虑“能不能写出来”，还要先判断哪些内容可以使用，哪些内容需要隐藏，结果是否需要进一步核验。

U2-Decision 将请求风险、数据风险和模型风险纳入决策过程。面对高风险或不确定性较高的任务，它可以选择升级处理、增加验证、转交人工确认，或停止执行。安全由此进入任务的前置判断，而不只是生成结果后的过滤环节。

工作流路由：决定任务该怎么完成

选定模型之后，任务也未必能靠一次调用完成。以前述出行规划为例，系统需要查询实时信息、比较多个选项、核对规则，最后才形成建议。其中有些步骤适合模型分析，有些需要搜索或调用工具；涉及预订和付款时，还需要用户确认。

U2-Decision 将决策范围从“调用哪个模型”，扩展到“采用什么执行路径”。模型、Agent、工具、检索增强和结果验证，可以根据任务需要组合。简单任务直接回答；复杂任务则分步执行，并在必要的节点进行核验。

这也是 U2-Decision 与一般模型选择器的区别：它关心的不只是从 A、B、C 中选出一个模型，还关心任务是否该继续，以及下一步该走向哪里。

三项评测指标，验证决策能力

在本轮与 Jev、Kev-4B 的对比实验中，U2-Decision 4B 在三项核心指标上均取得相对最优结果：通用任务准确率 91.5%，安全合规准确率 99.6%，路由一致性 0.6。

这三项指标分别对应它在实际使用中要解决的问题：能否作出准确判断，能否守住安全边界，以及面对同类任务时，能否给出稳定的路由选择。评测结果为 U2-Decision 的设计提供了能力佐证。

让多模型协作走向真实任务

当一个 AI 应用接入越来越多的模型、Agent 和工具，新的难题随之出现：能力已经摆在那里，系统该如何调用它们？

对使用者来说，理想的体验是把需求交给 AI，而不必自己研究该选哪个模型、调用哪个工具、什么时候检查结果。对开发者来说，决策能力可以帮助系统把简单任务快速分流，让复杂任务获得足够的能力支持，并在高风险环节加入必要的确认和验证。U2-Decision 正是为这一过程而设计。它不替代负责生成和执行的模型，而是在任务开始和推进的过程中，持续作出判断，让不同能力各司其职。

此次开源，是云知声邀请开发者共同探索决策模型应用的一步。我们期待更多人试用 U2-Decision，把它放进真实的任务流程中，检验它能解决什么问题、还需要怎样改进。

开源链接：https://github.com/Unisound-LLM/u2_decision_4b

API 接入：maas.unisound.com (即将上线)