300亿参数硬刚万亿级模型：云知声U2凭什么杀入全球大模型厂商前十

当整个行业还在为参数规模和上下文窗口较劲的时候，一家从语音识别赛道走出来的AI公司，选择了一条截然不同的路。

6月8日，云知声正式发布新一代原生智能体大模型U2。这款基于快慢思考融合的MoE稀疏架构模型，总参数量接近3000亿，但每次推理仅激活约十分之一的专家参数，在多数任务上的表现却足以比肩万亿参数级别的竞品。更引人注目的是，其推理成本显著低于同等规模的传统模型。

评测数据说话：全球厂商排名第九

6月10日，海外权威AI模型评测平台LLM Stats更新了最新榜单。云知声U2在LLM Stats Score综合能力评测中闯入模型总榜前30，若按厂商最佳模型成绩计算，其排名位列全球模型厂商第九位。这一成绩意味着，在全球大模型竞争格局中，又一支中国力量正式站稳了第一梯队的位置。

在长文本处理这一关键能力维度上，U2的表现尤为亮眼。LongBench-V2评测数据显示，U2以54.4%的准确率超越了Anthropic Claude Opus 4.7的53.9%，仅落后于GPT-5.4的55.6%，位居全球第二。对于一款参数量远小于竞争对手的模型而言，这样的成绩足以说明其架构设计的高效性。

此外，在衡量知识与复杂推理能力的GPQA Diamond基准中，U2取得了87.9分，超过了GLM-5.1、DeepSeek-V4-Flash等一众热门模型。在面向自主Agent端到端执行能力的Claw-Eval评测中，U2以76.9分的成绩同样跻身主流第一梯队。

智能密度：用更少参数干更多活

云知声创始人黄伟提出了一个简洁而有力的公式：AI公司行业价值等于智能密度乘以Token价值。所谓智能密度，指的是单位参数所承载的知识量、推理能力和任务解决效率。而Token价值则强调每次模型调用能否真正转化为可量化的业务结果，而非仅仅产出大量无意义的文本。

这一理念的直接体现就是U2的参数效率。斯坦福大学此前发布的研究表明，当大模型参数规模超过5000亿后，核心能力指标的边际提升幅度从30%以上骤降至不足5%，而训练成本和能耗却呈指数级攀升。U2近3000亿的总参数中，激活参数量仅百亿级别，参数效率接近万亿参数模型的约5倍。这种设计思路的本质是告别无效参数堆砌，转而追求每一份算力投入都能产出实际价值。

原生智能体：从'能说'到'能做'

U2另一个核心差异化优势在于其原生智能体能力。传统大模型的工具调用、状态管理和多步规划通常需要在外部封装一层应用逻辑来实现，而U2将这些能力内化为模型原生特性。从目标理解、任务拆解、工具调用到执行验收，U2能够在无需外部提示的情况下自主完成复杂的多步骤工作流。

在实际测试中，U2展现出了令人印象深刻的端到端执行力。无论是从零构建一个完整的网页小游戏、设计产品发布落地页，还是生成结构化的金融分析报告，U2均能在单次交互中交付可直接使用的成品。这种'先理解规划，再执行协作，最后校验交付'的闭环能力，正是大模型从对话工具向生产力工具演进的关键标志。

十三年积累构筑数据护城河

云知声能够在模型效率上实现突破，背后是超过十三年的行业深耕。从2012年创立至今，云知声在医疗领域积累了超过10亿条合规脱敏病历数据，与全国近450家医院建立了合作关系，其中A++及以上等级医院的覆盖率接近35%。在物联网领域，其合作伙伴超过2万家，端侧AI芯片出货量已突破1亿颗。

这些真实场景沉淀的高质量数据，构成了云知声区别于多数竞品的独特壁垒。黄伟将这种模型性能与行业数据的双向驱动概括为'模数共振'——模型需要真实场景数据来持续进化，而好的模型又能创造更多落地机会，进而获取更优质的数据反馈。

从商业化层面看，这一策略已经初见成效。2025年云知声总营收达12.11亿元，同比增长29%，其中大模型相关业务收入6.1亿元，同比暴增逾10倍，占整体营收比重首次突破50%。2026年5月，其Token调用收入的年度经常性收入环比暴涨600%，预计6月将达到1500万美金规模。

大模型下半场：效率为王

云知声U2的登场，折射出大模型行业竞争逻辑的深刻转变。当参数竞赛的边际收益持续递减，当Token消耗成本成为企业规模化部署AI的核心瓶颈，'用更少资源承载更强能力'的效率路线正在获得越来越多的市场认可。

正如黄伟所言：'我不需要一个中国科学院院士来开滴滴。很多任务场景不需要最高智能，硕士博士水平就够了。'这句话虽然直白，却精准地道出了大模型商业化落地的核心命题——在满足业务需求的前提下，极致的性价比才是真正的竞争力。

大模型正赛哨声已响。当竞争从'谁写得好'转向'谁干得好'，比拼的不再只是参数规模和基准分数，而是智能密度、Token价值和真实场景中的执行效率。在这场新的较量中，云知声U2已经交出了它的第一份答卷。