OpenAI押注RSI，国产AI火速交卷！Flash叫板万亿大模型

过去两周，AI圈最让人坐不住的三个字母，就是RSI。

先是OpenAI，破天荒公开了一本内部账——

一名人类员工全职工作一天，AI Agent完成的工作量相当于3.1天。

如今，AI自动化研究实习生已在内部实现，下一个节点定在2028年3月：造出真正的「自动化AI研究员」。

紧接着，OpenAI首席科学家Jakub Pachocki在一篇长文「一个异星心智」中明确表示：OpenAI正将研究重心转向递归自我改进。

他判断，随着能力继续提升，AI将越来越多地推动自身研发。

六天后，Anthropic CEO达里奥发了长文《We Must Pace the Frontier》，同样直接把话挑明了：

RSI已经在整个行业发生，Anthropic自己也不例外。

RSI的逻辑并不难理解：这一代AI参与研发，让下一代AI变强；更强的AI，再回头承担更多研发工作。

如此循环，改进能力本身也可能不断增强。

过去，需要研究员一轮轮找问题、补数据、调训练。如今，其中一些环节，已经可以让模型上场了。

顺着这条线看，国内也有了一个值得拆开的实践样本。

云知声最新推出的U2-Flash，就把自迭代放进了「后训练流程」——

模型参与发现薄弱环节，生成针对性数据，经过训练和验证，再进入下一轮。

这一轮暴露的短板，成为下一轮进步的起点。

他们正是希望借助这套「RSI机制」，把U2-Flash练成一个能接住日常复杂工作的「主力模型」。

一手实测来了

用AI干活的人，多半见过这样的场面。

离下班还有半小时，你把一份数据分析交给AI。它迅速列好计划，开始读文件、写代码，然后报错、重试，又报错。

屏幕热闹了半天，能交的表格还没影。

这时候，每秒吐多少个字，谁还在乎？你只想知道，活到底什么时候能干完。

所以这次，我们重点看U2-Flash能不能把任务接着做下去，遇到问题能不能处理，最后交付的东西能不能用。

顺便提一句，U2-Flash本身支持纯文本输入输出，文件读取、程序执行等工作，需要配合相应工具完成。

藏在运行时的Bug，揪出并修复了

一上手，我们不玩虚的，直接让U2-Flash去真实项目中抓虫。

复杂项目里的Bug，有时很会「藏」。

静态代码看着合理，普通路径也能运行，偏偏到了特定环境、碰上某个边界条件，程序才突然报错。

这类问题，考验的是模型能不能真正进入排错过程。

这次，U2-Flash接手的是vLLM中的一个真实并发Bug：

请求带上禁用词参数bad_words后，服务偶尔会报出「Already borrowed」，返回HTTP 500。

H100验证里，串行发送20个请求，全部正常；不带禁用词，200个请求、50并发，也全部通过。

偏偏加上禁用词后，同样的并发压力下，200次请求中出现了一次错误。

199次成功，也不能放过剩下那一次。

在没有提供原始Issue链接、没有参考答案、不能联网的条件下，U2-Flash通过OpenCode展开排查，沿着报错堆栈，从请求处理一路追到异步执行、线程池和底层分词器。

根因终于浮出水面：一条路径处理提示词，另一条处理禁用词，两边共用了同一个Fast Tokenizer底层对象。

并发编码时，对共享状态的操作发生冲突，触发了报错。

就像两个人同时修改同一份工作底稿，单独操作都没问题，撞在一起就出错。

找到症结后，U2-Flash为禁用词处理创建独立的分词器副本，把两条路径的状态隔离开。最终只修改了一个文件，新增19行、删除2行。

接下来，用相同GPU、模型和请求配置重新验证。

200个请求、50并发，全部成功。此前出现的HTTP 500和借用冲突，在这轮复测中都归0了。

4项回归测试，也从2项失败变成全部通过；串行请求和不带禁用词的并发对照组，继续保持零错误。

一句话，一份新疆旅行攻略

除了编码任务，日常一些办公任务、生活常见的难题，都可以交给U2-Flash了。

扔给它一个看似宽泛、实际很吃细节的需求：

「做一个关于大美新疆的旅游攻略PPT，图文并茂，具有高级感。」

路线、景点、交通、住宿、美食、预算、注意事项，一个都不能少，还要加入图表和结束页。

信息这么多，稍不留神就会变成「文字搬家」。

U2-Flash先梳理章节和内容骨架，再安排配色、排版网格与视觉素材，把文字、图片和图表放进同一套设计里。

一整份旅行攻略PPT交付了，而且内容组织和页面编排一起完成。

这类任务，很容易被低估。做出一页好看的封面，和把一份内容丰富的攻略从头做到尾，是两种难度。

而U2-Flash从一句宽泛需求出发，同时接住了「讲什么」和「怎么呈现」两件事。

买房还是租房，算清一笔十年账

再来个特接地气的案例，手里攥着100万，到底该买房，还是继续租房？

到底哪个更划算？直接让U2-Flash把未来10年的账给你盘得明明白白。

设定了一组模拟条件——房子总价300万元，首付加交易、装修支出刚好100万元；租住同类住房，第一年月租5500元。

两边每月都有1.5万元预算，扣除住房支出，剩下的钱拿去投资。

U2-Flash直接做出了一个可视化分析页面，按120个月逐月计算，把结果放在最上方：

在房价不涨、投资年化收益3%等假设下，租房方案10年后多出54.26万元净资产。

钱差在哪里？

这个HTML页面还把月供拆成本金和利息，也把剩余贷款、卖房费用计入最终结果，租房留下的100万元则持续计算投资收益。

它还找到了结论反转的临界点：其他条件不变，房价年涨约1.71%，两种方案就能打平。

这次U2-Flash做得讨巧的地方，是把复杂的账讲明白了。

终端记录显示，18项验证通过，网页默认结果与Python计算相差不到1元。

从「到底哪个划算」，到「为什么差这么多」，一页就能看明白。

一键搭出3D办公室

最后，再来看一道空间建模题。

输入一份结构化的2D办公室平面描述，让U2-Flash把它变成完整的3D场景。

听起来，只是从平面变成立体。但真正动手，中间隔着一整套工作流。

从平面到立体，中间隔着建模、脚本编写和渲染。任何一个环节出错，都可能让最后的画面「翻车」。

U2-Flash接下任务后，自主编写脚本，调用Blender渲染管线，把文字和结构化信息一步步变成可见的办公室场景。

更有意思的，是它在过程中处理的那些「小问题」。

布尔运算失败、法线翻转、光照死角，都进入了它的排查范围。

物体表面朝向不对、部分区域照不亮，都会影响最终效果，不能只看代码有没有执行成功。

最终，一份平面描述，被推进成了完整的3D办公室场景。

这道题的分量，就藏在从写脚本到交付场景的那段路里。

Flash的体量

万亿模型的战斗力

测了一圈下来，U2-Flash最值得重新认识的，恰恰是名字里的「Flash」。

一款Flash模型，究竟能扛多重的活？

这一次，云知声给出的答案，可以说相当硬核——以Flash的体量，直接叫板主流万亿大模型。

U2-Flash采用稀疏混合专家架构，总参数约266B，单次推理仅激活约10B，激活比例不到4%。

编程、Agent、数学推理、指令遵循等能力，被统一装进同一套权重。

模型每次工作，只需调动其中一小部分专家参数。

按云知声的定位，它要用远小于同类稠密模型的激活规模，交付足以比肩主力稠密模型的任务完成质量。

支撑这份反差的，是在U2通用基座上开展的系统性后训练。保留原有基座规模，把理解、规划和自主执行能力一起往上推，才有了这次Flash的升级。

Flash的「轻」，终于和性能的「强」站到了一起。

先来看最能力提升关键的一项成绩单， 编码。

在考察软件工程问题解决能力的SWE-Bench Pro上，U2-Flash拿到61.6分，比前代U2提升10.5分。

更猛的跃升，还在后面。

在DeepSWE v1.1中，U2-Flash拿到64.6分。前代U2是32分，这次直接翻倍，并超过GLM5.3-Flash、DeepSeek-V4-Pro-0813等模型。

再看需要在终端环境里实际执行任务的TerminalBench 3.0：24.3分，是前代2.7分的9倍，超过K3等万亿参数级模型。

从代码工程到终端执行，两条能力线同时大幅上扬。这组反差，足够直观了。

研究团队还把考场，延伸到更广泛的代码仓库和私有仓库。在内部评测U2-SWE-Bench中，U2-Flash从30.8分升至57.5分。

这些成绩背后，是模型处理复杂工程任务的能力跨过了一大步：读懂项目、定位问题、修改代码，再调用工具完成验证，整条链路都要跑通。

前面修复库存超卖的实测，就把这件事摆到了眼前。

从并发冲突到事务回滚，再到历史数据保留，模型需要同时守住多条业务约束，最后交出能复现的验证结果。

办公场景，同样敢和旗舰正面碰。

WorkBuddy-Bench Office评测中，U2-Flash拿到81分，直接挑落了DeepSeek-V4-Flash（77.5）、DeepSeek-V4-Pro（78.7）和GLM-5.2（79.6）。

此外，U2-Flash在知识与数学推理上表现优异：GPQA Diamond为92.4分，IMOAnswerBench为90.3分，HMMT Feb. 2026为97.1分。

把这些成绩放在一起看，这才是「高密度智能」模型，最有冲击力的地方——

参数规模没有堆到万亿，实际干活的表现，已经敢上旗舰的牌桌。

而支撑这份表现的机制之一，正是「隐式思考」。

U2-Flash在给出答案前，会先在高维隐藏状态空间中探索多条潜在解法路径，再依据问题难度，决定是否切换到显式推理。

这与潜空间推理（latent reasoning）的方向一致：让一部分思考留在内部的连续表示空间，减少必须显式生成的中间Token。

也就是说，一部分解题探索先在模型内部进行，不必全部展开成屏幕上的文字；需要深入推演时，再把推理步骤显式写出来。

这也把能力、速度和Token消耗联系了起来：有限的输出，要尽量用在推进任务上。

思考多深，用户还能自己调。

四种推理强度，对应none、low、high、max。人们可以按任务复杂度，在响应速度和推理深度之间做选择。

高强度档位，可以提供完整可读的显式推理链条，让推理过程可核查、可追溯。

能力上去了，交付还得更快。

U2-Flash首字响应平均3秒以内，输出峰值300 tokens/s，生成速度比前代提升2.1倍。

但这些数字，很多Flash模型都能给你，Gemini 3.8 Flash的峰值也在300 tokens/s上下，可它首字要等13秒。

真正不一样的，是Agent任务的完成时间缩短了35%。

这个35%，是靠少走弯路省出来的。

内部统计，同样一个任务，U2-Flash跑完需要的迭代步数，比前代U2少20%到30%。

简单任务以前七八步，现在两三步就交付；复杂任务七八十步，也能省下十几步。每省一步，就是少一次工具调用、少一轮等待。

人们要的「快」，终于落到了任务交付上。

更强、更快之后，第三个突破是：用得起。

据团队介绍，在其内部对比测试中，跑完同一套任务，U2-Flash的成本大约是对方的四分之一。

跟自家前代比，步数少了、无效输出少了，Token消耗降了20%到30%。

此外，还有一部分开销藏在接入和维护里。

企业用大模型往往是养一排：写代码一个、做推理一个、跑Agent一个、处理文档一个，再搭一套路由决定哪个活派给谁，每一层都是人力。

U2-Flash把这些能力压进一个模型，那道选择题不用做了。

那么问题来了：底座规模没变，这一轮能力跃升，究竟是怎么练出来的？

它是怎么炼出来的？

答案，藏在后训练里。

这轮跃升，也把云知声的后训练实力摆到了台前。

从GLM-5.3-Flash到DeepSeek-V4.1，通过后训练挖出基座更深的潜力，正成为模型升级的一条主线。

如今，云知声也交出了自己的答卷。

U2-Flash背后的后训练能力，已经与智谱、DeepSeek相当。

要知道，真正有效的智能，并不完全由参数规模决定。相当一部分能力，可以通过高质量任务轨迹、领域专家知识和强化学习，在同一基座模型上重新「组织」出来。

对于Coding、Agent这类复杂任务，瓶颈往往卡在执行路径上：

同一个问题，有的解法越走越绕，有的能更早找准方向。后训练要做的，就是让模型学会更有效的做法。

为此，团队搭起了一套自主闭环演进机制，把「接下来该练什么」也交给模型参与判断。

但闭环要转得起来，先得有足够扎实的场景和数据。

云知声在行业里积累了十余年，长期接触医疗、交通、座舱等真实业务。

模型会在哪一步出错，哪些专业知识容易理解偏，用户最终需要怎样的结果，这些都能在实际工作中找到线索。

十余年的积累，还包括大量真实场景数据和高质量标注能力。哪些轨迹值得学，哪些错误需要纠正，如何判断结果能否用于业务，都需要足够深入的场景理解。

真实场景里的难题，成了模型升级的练习题。

最狠的一招：自己找短板

传统做法里，模型哪儿弱、该补什么数据，靠人判断、人标注。慢，而且贵。

U2-Flash的做法，是让模型先跑起来，在执行过程中暴露问题，再把这些问题变成下一轮训练的材料：

发现薄弱环节 → 生成针对性数据 → 强化训练 → 验证效果。

四步循环，持续运转。

具体怎么跑？给定一道任务，让强模型走一遍正确路径，弱模型走一遍容易出错的路径，再由监督模型对比两者，找出真正决定成败的那一步。

据此生成引导提示和思维链，弱模型重新采样、清洗、微调，然后进入下一轮。

监督模型在关键节点介入，减少了对大规模人工标注的依赖。

靠这套机制，云知声已经构造出一个覆盖主流编程语言、规模近十万的高质量SWE任务集。

题目难度，跟着模型一起长

不过，模型练强了，旧题也会变简单。

固定难度的题库，练到后期会被模型「刷穿」，学习信号随之衰减。下一轮要是还反复练这些题，收益就越来越少。

U2-Flash加了一个难度校准机制：根据当前通过情况，动态调整下一批任务的难度分布，让「现在做不到、但只差一点」的任务始终占较高比例。

模型全程被摁在能力边界上练，题库也就能跟着它一起往前走。

训练不再排队等：异步Agent RL

知道了练什么，还得解决怎么练。

Agent任务的麻烦在于链路长、工具调用多。同步训练时，一条长任务迟迟没跑完，整批轨迹的收集都可能跟着等。

U2-Flash的解法是异步：多个rollout worker并行在沙盒里跑任务、采轨迹，不阻塞策略更新。

策略优化用GRPO，在同一组轨迹内做相对比较，不用额外训练价值模型，还鼓励模型探索不同解法。

针对Agent奖励稀疏的老问题，它给关键动作打标记，把成功或失败的信号沿决策路径回溯到真正起作用的那一步。

一项任务跑了几十步，不能只在最后告诉模型「对了」或「错了」，还得尽量找清楚，哪一步该奖、哪一步该改。

据团队统计，单位时间产出的有效训练轨迹，比同步模式多出约60%。

MOPD：多个老师，教一个学生

但练得快还不够，各项能力也得一起跟上。

强化训练里有个「跷跷板效应」：数学练强了，代码可能掉；Agent拉上去了，指令跟随又松了。

U2-Flash采用多教师在线策略蒸馏，也就是MOPD：先分别训练数学、代码、Agent、指令跟随四个领域的专项RL教师，再把它们的能力蒸馏进同一个学生模型。

这些教师模型各有专长，重点在专项能力。学生模型则要把不同领域的经验融到一起，应对跨领域任务。

两处讲究：蒸馏轨迹由学生实时生成，减少训练和推理的分布偏差；教师对学生生成的每一个Token逐一打分，训练信号比只看最终结果稠密得多。

据团队介绍，达到同等能力所需的训练步数，比从零RL少了约55%。

融合后的收益，还会出现在同一次任务中。比如修复库存服务，代码理解、逻辑推理、指令遵循需要一起发挥作用。多种专业能力在同一套权重里协同，每个输出Token才有机会承载更多有效信息。

模型在升级，Harness也得跟着长

模型能想到什么，和工具环境能让它做到什么，需要配合。

U2-Flash延续并优化U2的工程底座，让Harness与模型持续协同迭代：模型变强，会暴露脚手架的新边界；脚手架完善后，又能支持下一轮训练。

底层还有两项配套，TITO Rollout网关和FP8全链路精度优化。

前者服务于训练数据保真度，后者从计算成本入手，为异步Agent RL和MOPD提供支撑。

顺便，它还能自己修训练机器

这是最容易被忽略、也最有意思的一点。

训练跑到半夜，某个节点突然故障，过去往往得等人查看日志、定位问题、恢复任务。

现在，团队搭建的Agent可以24小时监控，发现异常后查看日志、定位故障、切换节点，再恢复训练。数据准备、训练调度和异常恢复，都有模型参与。

一个具体结果是，训练故障的平均恢复时长，压缩到了人工介入模式的三分之一左右。

这是Agent能力在研发工程里的直接应用。少等一次人工处理，训练就能少停一会儿。

从生产训练数据，到学习执行策略，再到维护训练环境，云知声把RSI落在了这些具体环节上。

主力模型，先在公司跑起来了

研发里用得上，日常工作中呢？

在正式发布前，U2-Flash已经在云知声内部试用了接近一个月。

HR团队拿它处理年假发放和工资表；研发团队用它读代码仓库、画架构图，甚至直接搭前端页面。

周报、会议纪要、方案对比、英文邮件润色，也是它在干。

团队给到一个很直观的变化：以前用U2，偶尔会遇到报错或非预期输出；到这个版本，大家开始「放心把任务交给它」。

高频工作最见真章。一次演示能跑通，和同事每天愿意打开它，中间差着不少功夫。

接入这些工作流，U2-Flash也做了配套：上下文窗口扩展到512K，最大输出128K，支持Tool Search和复杂Skills调用，并兼容OpenClaw/MMClaw。

此外，它还支持全面国产化适配。

对注重数据安全与算力自主的行业客户而言，这一条往往比榜单分数更能决定用不用。

目前，U2-Flash在国产平台上的吞吐、时延、并发和集群扩展效率持续改善，与主流GPU方案的差距不断缩小，部分场景已接近英伟达GPU方案。

押注RSI，这才是起点

这一次，团队提到，「递归自我改进」的效果超出了最初预期。

在云知声看来，U2-Flash是其在RSI方向上的初步实践结果，接下来还将全力押注这条路线。

如今，U2-Flash已经开始参与生成训练数据、纠正执行轨迹，甚至修复自己的训练环境。

这仍是一套「有边界」的递归自我改进闭环：每次调整都要经过沙盒验证，留下可追溯、可回滚的记录。

往后的训练配方优化、课程设计和架构搜索，还要一步步探索。

这也让U2-Flash之后的迭代有了新的看点：在同一个基座上，这套机制还能挖出多少潜力？效果又能持续多久？

答案，要靠接下来的版本一个个交出来。

AI参与制造AI，这场长跑才刚刚起步。

文章来自于"新智元"，作者 "桃子 大卫"。