OpenAI押注RSI，国产AI火速交卷，Flash叫板万亿大模型

近两周内，AI领域最令人瞩目的三个字母非RSI莫属。

先是OpenAI罕见地公开了一份内部数据：一名人类员工全天工作，AI Agent能完成相当于3.1天的工作量。目前，AI自动化研究实习生已在公司内部投入使用，下一个里程碑定在2028年3月——打造真正的“自动化AI研究员”。

随后，OpenAI首席科学家Jakub Pachocki在一篇题为“一个异星心智”的长文中明确表示，OpenAI正将研究重心转向递归自我改进。他预测，随着能力持续增强，AI将越来越多地推动自身研发。

六天后，Anthropic CEO达里奥发布长文《We Must Pace the Frontier》，同样直接点明：RSI已在全行业发生，Anthropic也不例外。

RSI的逻辑并不复杂：这一代AI参与研发，使下一代AI更强；更强的AI再承担更多研发工作。如此循环，改进能力本身也可能不断强化。

过去，需要研究人员反复找问题、补数据、调训练。如今，其中一些环节已可由模型承担。

沿着这条线索，国内也出现了一个值得剖析的实践案例。

云知声最新推出的U2-Flash，将自迭代机制融入“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。

他们正是希望通过这套“RSI机制”，将U2-Flash训练成能应对日常复杂工作的“主力模型”。

一手实测来了

使用AI工作的人，大多见过这样的场景：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，每秒吐多少个字已不重要，你只想知道活到底什么时候能干完。

因此，这次我们重点考察U2-Flash能否持续执行任务、遇到问题能否处理、最终交付物是否可用。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，我们直接让U2-Flash去真实项目中找Bug。复杂项目中的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否真正进入排错过程。

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。

在H100验证中，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，将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，在这轮复测中都归零了。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，日常办公和生活难题也可交给U2-Flash。我们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，将文字、图片和图表放进同一套设计里。一整份旅行攻略PPT交付了，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

再来个接地气的案例：手里攥着100万，到底该买房还是继续租房？哪个更划算？直接让U2-Flash把未来10年的账盘得明明白白。设定一组模拟条件——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，扣除住房支出后剩下的钱拿去投资。

U2-Flash直接做出一个可视化分析页面，按120个月逐月计算，将结果放在最上方：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，也将剩余贷款、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，将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。

先看能力提升的关键一项——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。

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。

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。

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。高强度档位能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