当AI大模型被重新定价：云知声发布U 2，迎来「DeepSeek时刻」
原生智能体时代，
大模型是干净利落的生产力。
大模型行业长期沉浸在一种近乎默认正确的共识。
要大参数，模型才强；要足够长的上下文，能力才会全面；要有足够复杂的推理链条，才能显示其智能水平。
所以过去几年，从千亿参数到万亿参数，从几十万 token上下文到百万token，从单次回答到越来越长的reasoning，大模型公司不断刷新技术上限，资本市场也乐于为这种更强的想象买单。模型排行榜频繁更替，训练成本被不断推高，GPU成为最昂贵的生产资料之一。
然而，当盲目堆砌参数的激情退去，行业开始面临一个无法回避的尴尬现实：动辄数千亿乃至上万亿参数的稠密模型，同步推高了天文数字般的训练与推理成本，筑起了极高的部署门槛。
无论对高举高打的企业还是极客个人而言，理想中的 “智能涌现”与现实中的“用不起、用不好”之间，正割裂出巨大的落差。
上半场有多疯狂，下半场就有多骨感。
此刻，一些更有远见的玩家已经意识到范式转移正在发生， generative AI（生成式AI）正在全面跨越成为productive AI（生产力AI）。
要将足够硬核的智能能力，以更低的综合成本、更稳定的交付方式，丝滑地融入真实的产业毛细血管中。
在这个关乎行业潮水走向的节点上，有一家 AI老兵用一次硬核的基座升级，给出了重构效率的解法。
今天，云知声 正式发布新一代通用大语言模型底座 ——U2。
这不仅是云知声上市以来最重要的一场基座模型技术迭代，更是其全面转向 “原生智能体（Agentic）大模型公司”的关键里程碑。
当行业还在追逐生成式 AI的聊天炫技时，云知声便已前瞻性地提出了“生产力AI”这一全新概念， 其背后的意义也非常明晰 ： AI的终极价值不是生成内容，而是解决真实世界的复杂任务。
这一概念的提出，让云知声成为当之无愧的 先锋派 ： 在同行还在谈论 “涌现”时，云知声已经开始思考“干活”；在别人比拼参数规模时，它已经 看穿了 智能密度与 token价值的商业本质。正是这种超前的认知站位，让云知声在大模型正赛开打之前，已经拿到了定义规则的话语权。
这家在 AI长河里摸爬滚打十余年的企业，没有选择加入盲目的参数消耗战，而是选择在这个节点，用U2代表的全新底层逻辑，向行业宣告大模型商业价值的重新计算 。 云知声用十余年垂直场景的 know-how，构建了一条几乎无法复制的护城河 ， 这也正是它能够稳居国产大模型 第一梯队核心位置 的根本底气。
是声，又不止于声
要理解大模型的下半场，必须先看清牌桌上的玩家。
在群雄逐鹿的国产大模型阵营中， 2012年成立的云知声是一个颇为独特的存在。最早从语音识别切入，一度活跃于智慧医疗、智能家居、车载座舱等场景。 过去十多年，它经历了统计学习、深度学习，再到大模型时代的完整技术周期， 也因此常常被看作一个有些 “老派”的AI玩家。
在过去很长一段时间里，因为名字里自带一个 “声”字，外界习惯性地给它贴上语音识别的标签。在大模型热潮最汹涌的阶段，外界的目光被动辄融资数十亿美金、活跃于镁光灯下的互联网新贵和“六小虎”吸引时，正处于港股上市静默期的云知声显得有些低调。
好在，会聊天的生成式 AI的时代在2025年就结束了，所有人都意识到能干活的生产力AI才是重要的。此刻行业蓦然发现，云知声过去被低估的老本行，反而成了它征战智能体（Agent）时代最宽阔的护城河。
“ 声音的背后是语言，语言的背后是意图。我们听的不是声音，是声音背后的意识。 ”云知声创始人黄伟这样解释云知声名字中的“声”。
在他的理解里，人机交互始终有三个层次：第一层是 “听懂”，也就是语音识别，把声音转化成文字；第二层是“理解意图”，用户说“我冷了”，不是想得到一句回应，而是希望空调自动调温、窗帘自动关闭；第三层，则是理解更深层的意识与场景——一个独居老人轻描淡写地说“今天没什么事”，AI能否从语气和停顿中识别出孤独，并主动触发陪伴或提醒。
从语音识别、自然语言理解，到今天的大模型与 Agent，云知声做的始终是一件事：让机器真正理解人，并帮人把事情做完。
在人机交互的真实物理世界里，要让机器真正为人服务，必须解决多轮交互、长链路任务、复杂环境噪声、人机协同等一系列工程化难题。
这种在严肃、复杂垂直场景中摸爬滚打出来的场景 know-how和多轮交互工程经验，正是原生Agent生存的天然土壤。
基于这一深刻洞察，云知声最新发布的通用大底座 U2，内部对其定位是， 原生智能体大模型（ Agent -Native Model） ，它的尺寸、训练目标和优化方向，都围绕 “执行任务”而设计。
在技术路径上，云知声也没有沿着行业普遍采用的 “模型训练完成，再外挂Agent框架”的路线走，而是提出了一套更激进的思路：
首先，是原生 Agent 模型 + Harness协同演进机制 。 过去，大部分智能体系统更像是在通用聊天模型外面套了一层壳 ——模型只管说话，规划、调用工具、执行任务这些事情都交给外部框架来做，模型本身其实并不真正"懂"这些。而U2在训练阶段就将如何规划、如何执行、如何验收结果的完整能力直接内化到了模型层。 在训练过程中，模型与 Harness（任务执行脚手架）持续协同演进：模型的主体结构越建越复杂，脚手架的支撑节点与验证精度也随之延伸、越发精细；而更精密、更严苛的脚手架，又反过来确保了模型每一层逻辑的坚固，形成一个不断自我强化的循环。
其次，是过程监督与课程学习的系统性应用。 为了让 Agent像做事干净利落的人一样高效，U2在训练环节引入了“课程学习”方法，让模型从易到难、上下文从短到长、工具调用从简单到复杂逐步进阶。在长程任务的轨迹中，U2引入了先进的过程监督方法，用更优的模型对任务执行的每一个关键节点拆解评估与纠错。U2不仅能看到最后的结果，更能优化中间的每一步执行路径，实现学习的快速收敛。
再者，更偏向服务实体经济与硬核产业的产业级数据配比。 当很多大模型仍高度依赖互联网通用语料进行泛化训练时，云知声选择主动降低娱乐等低价值场景语料比例，将更多数据资源倾斜向医疗、医保、保险、政务、工业等高价值行业场景，并结合多年业务落地积累的真实场景脱敏数据进行训练。值得一提的是，云知声用多年业务长期沉淀、难以复制的真实场景脱敏数据进行合成与训练，直接服务于实体经济和硬核产业。
底层能力重构之后，云知声U2在不盲目堆砌参数的前提下，展现出了较强的性能竞争力。在IFBench等指令遵循评测中，U2的表现稳居行业前列；在Claw相关评测中，其Agent与工具调用能力体现出较强优势；在GPQA等硬核知识推理和长上下文任务上，U2同样展现出挑战全球顶尖大模型的能力；在面向真实办公与知识工作交付能力的GDPval上，U2取得72.5分，展现出扎实的专业办公能力。