云知声发布 U2：为执行而生的原生智能体大模型，可自主拆解并完成 100+ 步复杂真实工作流|u2|调用

云知声发布 U2：为执行而生的原生智能体大模型，可自主拆解并完成 100+ 步复杂真实工作流

2026-06-08 09:56:01　来源: 大京新闻网

北京举报

分享至

（原标题：云知声发布 U2：为执行而生的原生智能体大模型，可自主拆解并完成 100+ 步复杂真实工作流）

刚刚，云知声正式发布新一代通用大语言模型——U2。

作为我们面向个人、开发者与组织打造的原生智能体大模型，U2的技术主张极为纯粹：高智能密度 × 高Token价值。它不再盲目堆叠参数，而是追求高智能密度，用更少激活资源承载更强能力；不再简单比拼输出长度，而是追求高Token 价值，让每一次调用都更接近交付结果。

与传统大模型更偏向单轮问答或短链路生成不同，U2更强调面向真实任务的连续执行能力。在复杂办公、软件工程、深度研究与多工具协同场景中，U2能够自主拆解并推进100+ 步复杂工作流，将需求理解、任务规划、环境交互、工具调用、过程纠错与结果验收串联为完整闭环，从“给出答案”进一步走向“完成任务”。

权威评测进入第一梯队，U2展现硬核实力

在最新发布的一系列国内外权威能力评测中， U2已经在多个关键能力方向进入主流大模型第一梯队：

在衡量知识与复杂推理能力的 GPQA Diamond 上，U2取得87.9分，超过 GLM-5.1、Hy3 preview、DeepSeek-V4-Flash（High）和 MiniMax M2.7，展现出对高难度知识问题的稳定理解、推理与求解能力。

在衡量真实软件工程能力的 SWE-Bench Verified 上，U2取得75分，进入主流模型第一梯队。

而在面向自主 Agent 端到端执行能力的 Claw-Eval（pass@3）上，U2取得76.9分，超过 Hy3 preview、DeepSeek-V4-Flash（High）和 MiniMax M2.7，进一步验证了其在工具调用、流程编排与任务交付中的稳定表现。

在面向真实办公与知识工作交付能力的 GDPval 上，U2取得72.9分，展现出扎实的专业办公能力。相比传统问答式评测，GDPval 更关注模型能否完成真实工作场景中的高价值交付，包括资料分析、报告撰写、表格处理、图表生成、幻灯片制作等典型办公任务。

这组成绩背后，传递出一个重要信号：U2并不是以单点能力取胜，而是在推理、代码、Agent和办公交付等多项关键能力上形成了系统性表现。

混合思考 + Harness 联合训练：让模型原生能力进入真实工作流

对云知声而言，U2不只是一个模型代号，更是我们对 AI 2.0时代大模型价值的重新思考。我们认为，衡量今天的大模型价值，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，U2从设计之初，就不是一个单纯面向聊天场景的通用模型，而是一款面向任务执行的原生智能体大模型。

要让模型真正完成任务，仅靠更大的参数并不够。真实工作流往往复杂、动态且长链路：模型既要能够快速理解目标、拆解任务、搜索路径，也要能在关键节点进行逻辑校准、约束检查和结果验证。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；而完全依赖隐空间推理，虽然效率更高，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。

为了解决这一矛盾，U2创新引入混合思考机制。它并不是在显式 CoT 与隐式推理之间二选一，而是在同一推理过程中，根据任务阶段、复杂度和不确定性动态切换思考形态。

在任务早期，U2优先在隐空间中进行高效探索，完成路径搜索、任务拆解、候选方案生成与执行规划，避免把每一步中间思考都解码为可见 Token；当任务进入关键判断、复杂约束处理或结果收敛阶段，模型则切换到显式推理，通过可读、可校验的推理过程完成逻辑校准、过程验证与最终决策。

进一步地，U2引入可控隐空间展开（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。

这意味着，U2并不是简单缩短思维链，而是重构了模型的思考分工：把开放探索、路径规划等高消耗环节更多内化到隐空间，把逻辑验证、约束校准和结果收敛留给显式推理。由此，U2能够在减少无效推理步骤和冗余中间文本的同时，保持复杂任务中的可靠性与可控性，实现“少 Token，深思考”。

在知识底座上，U2进一步通过高知识密度数据精筛提纯技术，过滤重复、低质与幻觉数据，完成知识点级精炼萃取；并结合稀疏知识编码与知识蒸馏架构，压缩模型冗余参数，将高价值知识能力固化到更高效的模型结构中。

在任务执行层面，U2引入 Agent-Harness 协同训练范式。我们认为，Harness 不应只是外部套壳，而应该与模型能力共同进化。因此，U2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。

而这一系列完整的闭环，最终要落到一套务实的训练体系上。我们没有让 U2只盯着正确答案死记硬背，而是通过课程学习、过程监督、轨迹对比与多维奖励，教会它在复杂任务中如何规划、执行、纠错、验收。配合 Agent-Harness 协同演进，U2能够在真实任务轨迹中持续强化长链路执行能力，真正从“能聊天”走向“能完成任务”。

三大核心能力，支撑任务交付闭环

围绕真实任务交付，U2重点强化了Reasoning、Coding和Agent三大核心能力。

在Reasoning方面，U2强调低偏差执行和长程逻辑稳定性。面对复杂、多步骤任务时，模型不仅要能回答局部问题，更要能够持续保持目标一致，动态权衡预算、时间、约束条件和可行路径，最终输出更优方案。

在Coding方面，U2不再局限于代码生成，而是面向端到端工程交付。它能够根据自然语言需求生成代码，也能够理解多文件项目结构，保持接口、依赖和调用逻辑一致，并在环境调试和自主Debug中持续推进任务完成。

在Agent方面，U2重点提升了多工具协同、长流程编排和环境交互能力。面对开放式目标，它能够拆解任务优先级，理解API能力边界，组合调用不同工具，并根据外部系统反馈调整执行策略。

这三类能力共同构成了U2的任务交付闭环：先理解和规划，再执行和协作，最后校验和交付。也正因为如此，U2更适合被放到真实工作场景中检验，而不是只停留在单轮对话或单点能力展示中。

应用场景：从单次回答到任务完成

U2具备从需求理解到完整成果交付的自主任务执行能力，可广泛应用于以下四类典型场景：

1. 全形态界面设计

响应式网页开发：根据设计需求生成具备生产级布局、真实导航流程和完整交互状态的多页面网站，支持一键打包部署。

移动端 Web App：构建类原生社交应用，包括 Feed 流、Stories、发帖入口、通知、个人主页、图片网格及底部导航，所有资源本地化。

设计规范落地：自动约束色彩、字体、间距等样式体系，同时适配 PC 与移动端，实现从视觉到代码的端到端输出。