作者 | 150 克

在醫院診室里，一臺設備放在醫生桌上。

它所面對的，并非標準、安靜、線性的輸入環境，而是一個極度復雜的真實場景：多組醫患同時交談，患者話沒說完，家屬已在插話補充；醫生一邊問診，一邊快速敲擊鍵盤；方言、噪聲、寒暄與關鍵病癥信息混雜在一起。

過去，這類場景面臨的挑戰通常被歸為“語音識別”問題——只需把聲音轉成文字。但當大模型深度介入后，問題性質發生了根本性改變。

模型不僅要“聽見”，更要理解和判斷：**誰在說話？哪些信息是關鍵內容？哪些應錄入病歷？是否需要觸發臨床質控與檢查建議？**最終，這些信息還要無縫寫入醫院的 HIS 系統，且盡量不改變醫生原有的工作習慣。

這一典型場景折射出了大模型行業當下最本質的痛點：當模型離開聊天窗口，進入真實的業務現場，它到底應該具備什么樣的能力？

云知聲對這個問題的回答，是其新一代基座模型——U2 大模型。

云知聲創始人&CEO 黃偉將 U2 的核心定位概括為三點：不是更大，而是更會干活；不是生成更多 Token，而是讓 Token 更有價值；不是給出一次漂亮回答，而是端到端完成任務。

作為云知聲基座模型的一次里程碑式升級，U2 從設計之初就摒棄了“以參數規模和文本生成為中心”的傳統路徑，全面圍繞“任務執行（Task Execution）”展開。它的模型尺寸、訓練目標與優化路徑，均指向規劃、工具調用、多步執行與結果驗收。

通過提出“高智能密度”與“高價值 Token”兩大核心指標，云知聲正試圖重新定義通用大模型的效率與商業價值，它面向的不只是企業級應用，也包括個人用戶、開發者和各類智能終端場景。

1高智能密度：不是每個任務都需要“院士開滴滴”

大模型發展早期，行業默認一條鐵律：參數越大，能力越強；能力越強，應用價值就越高。但在具體場景中，這條路徑很快撞上了現實的南墻。

“參數規模本身，并不能直接轉化為應用價值。”

例如，To C 端的用戶，不會因為模型參數大，就順利、快速、低成本地跑完一個任務。To B 端的醫院也不會因為模型達到萬億參數就改變現有的診療流程，保險公司也不會因為榜單排名提升就降低審核標準。

真正決定用戶體驗的，永遠是具體而確定的執行結果：能否降低了成本？能否減少了風險？能否提升運轉效率，并穩定嵌入現有系統？

與此對應的是，參數規模的盲目攀升帶來了算力和部署成本的指數級暴漲。持續“堆參”正逐漸偏離了大模型最優解。

“我們是否可以用更有限的參數，獲得接近超大模型的有效能力？”這是云知聲提出的追問，也是“高智能密度”概念的出發點。

在黃偉看來，高智能密度不等于做“小模型”，而是強調在單位參數、單位算力中承載更多“可用智能”。企業場景不需要無限高的能力上限，而是需要足夠強、足夠穩、成本可控、可反復調用的執行力。

為了實現這一目標，U2 在數據、架構、訓練和執行框架四個維度進行了系統性重構：

首先是數據。模型訓練從規模優先，轉向信息密度優先。

對面向 Agent 的模型而言，語料的關鍵不在于“量”，而在于其是否承載了行業邏輯與任務知識。

U2 在訓練中大幅提升了代碼、流程圖、任務軌跡和真實業務數據的占比，過濾掉低質和娛樂化內容。在同等長度的文本中，操作流程、病歷規則、系統日志所包含的可遷移能力，遠高于泛化對話。

疊加云知聲在醫療、物聯網等場景沉淀十余年的數據，模型在訓練之初就貼近真實業務，而非受困于互聯網語料的表層分布。

其次是架構。U2 通過 MoE 機制降低“能力調用成本”。

U2 采用 MoE 架構，其知識密度更高，單次任務激活的參數量可低至總參數量的 1/10 甚至更少。在注意力機制上，U2 引入并混合了線性注意力，進一步提升推理效率。

通過精準的路由機制“訓練”，模型能根據不同輸入選擇最合適的參數路徑。這使得模型在面對復雜的 Agent 任務時，能以極低的計算成本完成理解、規劃與執行，避免了“滿功率”空轉。

然后是訓練。模型訓練目標從“回答問題”，轉向“完成任務”。

通過循序漸進的“課程學習”，U2 被逐步訓練為一個合格的“執行者”：從簡單任務到復雜任務，從短上下文到長鏈路，從單步調用到多步規劃，通過逐步喂給大模型，來確保訓練充分。

同時，U2 在 Agent 任務軌跡中引入了過程監督方法，圍繞任務完成度和進展情況對重點節點進行即時評估，通過教師模型優化執行路徑。在多環節的 Agent 場景中，只優化最終答案是不夠的，必須在中間步驟中引入約束與反饋，才能形成穩定的執行習慣。

最后是執行框架。模型與 Harness 協同演進。

企業任務本質上是復雜的工作流，而非單輪對話。模型必須與外部工具、數據庫和業務系統深度協同。

U2 在訓練階段就融入了執行環境，使其天然具備調用工具、管理狀態和閉環完成任務的能力。通過模型與 Harness 的協同訓練機制，U2 將模型能力提升與 Harness 的迭代優化納入同一閉環：模型能力的突破持續揭露 Harness 的新邊界，更完善的 Harness 又為下一輪強化學習提供更高保真的獎勵信號，進而反哺模型優化，實現兩者的雙向演進。

這些底層設計指向同一個終點：在更低實際計算成本下，讓模型獲得穩定、可復用的任務執行力。大模型的優化方向，由此從“更大”轉向“更有效”。

2 高 Token 價值：讓企業不再為“廢話”買單

如果說“高智能密度”解決了性能與算力成本的平衡，那么另一個關鍵問題則是：模型生成的 Token 究竟能換回多少業務價值？

行業內常討論的“Token 效率（Token efficiency）”往往站在生產端視角，即如何用更低算力生成更多 Token。但在企業級應用中，衡量尺度必須是結果導向的。

如果大量 Token 被消耗在無意義的閑聊和冗余推理中，其成本不可控，價值也極低；反之，若少量的 Token 能直接生成一份合格的病歷、一行可運行的代碼或一份精準的審核結論，其單位價值將成倍放大。

云知聲提出的“高 Token 價值”，本質上是在引入一種結果導向的商業衡量標準。它不僅減少了 Token 的數量，更重構了 Token 從輸入到交付的完整鏈路：

為了實現高價值 Token，首先是讓輸入更“干凈”。

企業任務的輸入往往是“混雜”的上下文，包括對話、規則、附件、歷史記錄和工具返回結果。真正有效的信息只占其中一部分。

U2 基于業務規則，在輸入端率先完成信息的篩選與重組，確保模型基于高質量的輸入進行提煉，從源頭上提高 Token 效率。

其次是壓縮“無效思考”。復雜任務需要多步推理，但企業用戶需要的是可驗證的結論，而非冗余的“思維鏈”展示。

U2 通過“隱式思考”，將部分推理過程壓縮在連續隱藏狀態中，在高維空間并行探索多條推理路徑，只在必要時顯示輸出關鍵路徑與結論。這在保留推理能力的同時，大幅減少了中間過程的 Token 消耗，把“思考過程”內化為模型的能力。

然后是用行業知識約束結果質量。在醫療、保險等容錯率極低的行業，僅靠通用語言能力極易產生“幻覺”。U2 將云知聲沉淀多年的行業知識圖譜、業務規則與合規要求直接納入生成過程，確保輸出結果不僅“通順”，而且“合規可用”。

例如結構化病歷生成、理賠合理性判斷，本質上都依賴專業知識與規則約束。

最后，是讓輸出直接成為交付物。

云知聲大模型事業部總經理劉升平在接受采訪時指出：“在輸出層，U2 的每個 Token 承載的信息密度都極高。完成同樣的任務，我們輸出的 Token 數量往往比其他模型更少?！?/p>

這意味著，U2 不再停留于提供泛化的信息，而是直接輸出“工作成果”，例如可運行的代碼、結構化病歷、標準格式的 PDF 或 Excel、可直接匯報的研究報告。

可以說，高價值 Token 并不是模型單獨產生的，而是模型能力與行業系統共同作用的結果。

沿著這一路徑，Token 的意義從一個單純的技術名詞，質變為可量化的商業指標：它對應著人工處理時間的縮短、業務流程的簡化以及經營風險的降低。大模型的價值，不再是“生成內容”，而是“生成結果”。

3圍繞企業真實需求，U2 加速從“能力展示”走向“結果交付”

“U2 被定位為原生智能體模型，從核心技術看，它的尺寸和優化目標都是為執行智能體任務服務的?！眲⑸讲┦吭诮邮?InfoQ 采訪時表示，公司更希望聚焦真實需求，通過大模型與 Harness 的協同進化，端到端地幫助用戶完成想做的事情。

這也催生了一套全新的評估尺度：不再看回答是否流暢，而是看其是否具備理解復雜需求、拆解任務步驟、自主糾錯并在有限輪次內輸出可運行結果的能力。

根據最新公開的基準測試數據，U2 在長上下文、知識推理、指令遵循等支撐 Agent 能力的核心評測中均表現領先，超越 GLM-5.1、DeepSeek-V4-Flash 等主流競品。

在我的實際測評中，這首先體現在軟件工程任務上。

我給出的 Prompt 并不復雜，只是一個自然語言需求描述：“用網頁做一個經典的俄羅斯方塊小游戲，游戲規則與主流一致，要求所有代碼寫在一個文件里，我保存后雙擊就能在瀏覽器中直接玩。畫面要好看一些，支持鍵盤方向鍵控制移動和變形，同時要有計分功能。”

這看似簡單的 Prompt，實際上對模型提出了極高要求：它需要自主規劃游戲邏輯、設計前端視覺、編寫交互代碼、實現鍵盤監聽與計分，并嚴格遵守“單文件部署”的工程限制。

在執行這一任務時，U2 依托長程工作編排與自主糾錯機制，在幾分鐘內便獨立完成了游戲的開發與交付。整體執行路徑清晰，思考過程凝練，最終產出的代碼一次性通過了 27 項驗證，穩定性表現突出。

除了軟件工程，在金融分析領域，U2 同樣能像一位專業投研助理一樣，先理解問題、拆解關鍵變量，再判斷外部信息影響并組織分析框架，最終輸出一份結構嚴謹的分析報告；在日常辦公場景中，很多用戶也可以通過它直接產出可發送、可歸檔的會議紀要和可視化表格。

云知聲對于“真實需求”的聚焦，也解釋了其在垂直行業快速落地的原因：

例如，在保險與醫保場景中，U2 模型可以將醫學知識與理賠規則結合，參與費用合理性判斷。這里的輸出直接對應控費率、審核效率和風險控制，其商業價值遠高于通用問答。

在車載與物聯網場景中，U2 的能力體現為工程化：端側部署、低延遲響應、隱私保護和多設備協同。這意味著，U2 大模型的商業形態不僅是云端服務，也可以是嵌入式能力和終端智能的一部分。

劉升平在采訪中提到，那些任務鏈條長、結果可驗證、并且直接影響成本或收入的行業，往往孕育著更大的需求。

U2 的商業出口正是這種高度具體的任務場景（高價值）：醫療、保險、軟件工程、金融分析、辦公自動化、物聯網、工業流程等。

這種以結果為導向的策略，已經體現在云知聲的財務回報上。數據顯示，2025 年云知聲大模型業務收入達到 6.1 億元，同比增速達 1076%，收入占比突破 50%。這一收入結構，使得云知聲在人均產值等核心人效指標上躍居中國 AI 企業第一梯隊。

此外，受高質量場景 Token 需求爆發的帶動，云知聲 5 月的 Token 調用收入 ARR（年度經常性收入）環比增長達 600%，6 月預計可達到 1500w 美金，展現出極強的商業爆發力。

大模型競爭正在進入新的階段：上半場比的是誰更會生成，下半場比的是誰更能交付。

U2 所做的，本質上是把模型能力、Agent 執行與行業場景綁定在一起，推動“大模型”從能力展示走向結果交付，而這很可能是企業級 AI 開始產生規?；瘍r值的真正起點。