知识卡片：云知声 U2-Flash 与国产 RSI 早期实践

英文关键词：RSI, U2-Flash, Flash, MoE, Agent RL, SWE-Bench Pro, TerminalBench 3.0, DeepSWE v1.1, MaaS, API, Claude Code, Trae, Cursor, Cline, Harness, Base URL, API Key, model ID, DOCX, NVIDIA GPU
英文标题：材料未提供，待核实

一句话结论

量子位 2026-09-17 报道称，云知声发布 U2-Flash，并以稀疏 MoE、后训练闭环和国产算力适配展示“国产 RSI 早期答卷”：在 Flash 定位下速度与成本更优，代码和 Agent 能力反超上一代 U2；但相关性能、RSI 定级和 L3 判断仍需独立验证。

事件概述或研究问题

• 文章标题为《国产RSI模型交卷！Flash模型靠它反打旗舰》，来源量子位，作者一水，发布时间 2026-09-17 11:26:21。
• 文章称云知声为“港股AGI第一股”，并称其正式发布 U2-Flash，率先交出一份国产 RSI 早期答卷。
• 核心叙事是 RSI：即“让模型参与训练下一版自己”。文章称 RSI 概念本身不新鲜，但目前没有全行业共同接受的定义。
• 文章围绕 U2-Flash 提出几个问题：Flash 能否成为干活主力；遇到意外时能否自己救场；512K 上下文是否是生产力；后训练闭环如何支撑能力提升。
• 产品已在云知声 MaaS 平台首页展示，支持在线体验和申请 API 调用。

方法/产品要点

• 架构：文章称 U2-Flash 采用稀疏 MoE 架构，总参数约 266B，单次推理只激活约 10B，不到总参数的 4%。
• 后训练闭环：文章称其答案有两个：一是数据，二是后训练闭环。云知声强调多年行业数据与高质量标注能力。
• 自主任务生成：根据当前能力动态生成新任务，专门挑“现在还做不好、但已接近突破”的问题；文章称已自主构建近 10 万道高质量 SWE 任务，覆盖多种主流编程语言。
• 异步 Agent RL：把任务拆给多个 Worker，同时进入不同沙盒执行；对关键 Action 做标记，将成功或失败追溯到决定结果的一步。文章称单位时间内产出的有效训练轨迹数量提升约 60%。
• 多教师在线策略蒸馏：分别训练数学、代码、Agent 等专项教师模型，由不同教师逐 Token 打分。文章称达到同等能力所需训练步数减少约 55%。
• 训练系统自治：文章称 U2-Flash 可参与机器巡检、故障定位、修复和任务重启；训练故障平均恢复时间缩短至人工介入模式的三分之一左右。
• 接口与接入：文章称 U2-Flash 兼容 OpenAI 和 Anthropic 两套主流协议；Claude Code、Trae、Cursor、Cline 等工具有官方接入方式；自定义 Harness 可换 Base URL、API Key 和模型 ID。
• 交互能力：提供 none、low、high、max 四档思考强度；文章称其支持文本输入输出，但接入 Harness 和外部工具后可交付 PPT，甚至搭建 3D 场景。
• 上下文：文章称支持 512K 上下文。
• 国产算力：文章称 U2-Flash 围绕主流国产算力平台，对模型架构、核心算子、推理框架和集群调度进行适配优化；实际服务中吞吐、时延、并发和集群扩展效率持续提升，部分场景已接近 NVIDIA GPU 方案。
• 价格与活动：文章称当前限时六折，输入 0.6 元/百万 Tokens，输出 1.2 元/百万 Tokens，缓存命中 0.12 元/百万 Tokens；9 月 15 日至 9 月 30 日，人人可免费领取 1 亿 Tokens 使用额度。

主要结果或产业意义

• 相对上一代 U2 的提升：文章称生成速度提升 2.1 倍，Agent 任务完成时间缩短 35%，任务迭代步数和 Token 消耗降低 20% 至 30%。
• 基准成绩：文章列出 DeepSWE v1.1 从上一代 U2 的 32 分冲到 64.6 分；TerminalBench 3.0 从 2.7 分到 24.3 分；SWE-Bench Pro 拿下 61.6 分，较前代提升 10.5 分。
• 文章作者实测：
  • Case 1：在虚构 ExpenseFlow 项目中，U2-Flash 用 7 分 6 秒找出全部三个埋点问题，并附验收报告。
  • Case 2：在 ProfileSync 2.0 中，README、旧文档和历史日志互相冲突；U2-Flash 用 3 分 32 秒锁定真正故障、完成修复，并把测试从 1 项补到 7 项。
  • Case 3：一次投喂 14 份文件、四种格式，U2-Flash 用 8 分 36 秒交付 DOCX，包含 1200 至 1500 字发布稿、核心事实来源表、材料冲突清单和五个发布前待确认问题；文章称其正确采用最新版 10 月 18 日，并更新为 78.4%、注明属于内部测试。
• 产业意义：文章认为后训练竞争已从“人给模型准备多少答案”，升级为“模型能否持续为自己创造有效经验”。U2-Flash 展示了把后训练闭环兑现到代码、Agent 和推理成绩上的早期形态。
• 国产算力意义：文章称对国内模型而言，能否适配国产算力，直接关系到自我迭代体系能否稳定、可控地长期运行。

为什么重要

• 文章把 RSI 从科幻/概念叙事拉到工程实践：模型参与生成训练数据、分析执行轨迹、维护训练系统。
• 如果文章所述成立，稀疏 MoE 与后训练闭环可能同时改善速度、成本和任务能力，模糊“Flash 只是旗舰平替”的传统定位。
• 国内模型能否在国产算力上稳定运行 RSI 闭环，可能影响长期迭代速度、成本结构与供应链可控性。
• 与已有 OpenRouter 卡片相比，本条增量不在 LLM 网关归档，而在模型侧：国产模型通过后训练闭环参与自我改进，并在 MaaS 层兼容 OpenAI/Anthropic 协议，降低工具接入成本。
• 对图书、PPT、简报而言，这是一个可讨论“模型自我改进是否已进入工程早期”的案例，但不宜直接当作行业统一结论。

局限与不确定性

• 来源为量子位报道，包含官方提供数据与作者实测，并非独立第三方复现；Benchmark 分数受评测设置、提示词、环境和版本影响。
• U2-Flash 的 RSI/L3 定性不是行业统一标准。文章也承认 RSI 尚无全行业共同定义；L1-L5 路线图来自论文综述，文章称 U2-Flash 显露明显 L3 特征。
• 国产算力“部分场景已接近 NVIDIA GPU 方案”缺少具体吞吐、时延、并发和集群扩展指标，待核实。
• 免费 1 亿 Tokens、限时六折和活动日期具有时效性，领取条件、可用范围和有效期待核实。
• 模型权重、许可证、完整技术报告、训练数据细节、安全边界和失败案例待核实。
• 与 U2 对比的基线版本、测试环境、完整提示词和评测脚本未在材料中完整披露。
• “率先交出一份国产 RSI 早期答卷”“第一批参与打造下一版自己的国产模型”等表述来自文章，是否可扩展为“首个”或“国产 RSI 模型”需谨慎，待核实。
• 文章内视频链接为微信链接，材料中未展开；相关实测视频内容无法在文本材料中进一步核实。

可用于图书/PPT/简报的角度

• RSI 从科幻到工程：I.J. Good 1965 年智能爆炸设想、Vernor Vinge 1993 年技术奇点、Anthropic 与 OpenAI 的不同口径，以及《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》的 L1-L5 路线图。
• Flash 不再等于旗舰平替：更快、更省的同时，代码与 Agent 能力反超上一代 U2；可讨论“智能密度”和稀疏 MoE。
• 后训练闭环三件套：自主任务生成、异步 Agent RL、多教师在线策略蒸馏；模型还参与维护训练系统。
• 国产算力与自我迭代：RSI 循环越转越快，对算力、推理框架和集群调度要求越高。
• MaaS 与工具生态：兼容 OpenAI/Anthropic 协议，接入 Claude Code、Trae、Cursor、Cline 等，降低迁移成本。
• 评测叙事升级：从静态榜单转向真实任务交付，如自己找 Bug、被错误线索误导后救场、处理 14 份混合格式文件并交付 DOCX。

原始材料

• 原始标题：国产RSI模型交卷！Flash模型靠它反打旗舰
• Fetched title：国产RSI模型交卷！Flash模型靠它反打旗舰
• Fetched description：1亿Tokens人人免费领
• 来源：量子位 QbitAI
• 作者：一水
• 发布时间：2026-09-17 11:26:21
• URL：https://www.qbitai.com/2026/09/491091.html
• 产品传送门：https://maas.unisound.com/models/u2-flash
• 英文论文标题：The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
• 英文关键词：RSI, U2-Flash, Flash, MoE, Agent RL, SWE-Bench Pro, TerminalBench 3.0, DeepSWE v1.1, MaaS, API, Claude Code, Trae, Cursor, Cline, Harness, Base URL, API Key, model ID, DOCX, NVIDIA GPU
• 英文标题：材料未提供，待核实