⚛️量子位•較早收集於 2h
國產通用大模型第一梯隊迎來新成員
💡中國大模型市場正從參數規模轉向效率競爭，看看這款新模型如何重新定義性能指標。
⚡ 30-Second TL;DR
有什麼變化
新模型進入國產大模型第一梯隊
為什麼重要
這標誌著中國 AI 市場的成熟，正從「參數軍備競賽」轉向以效率為導向的性能優化。
下一步行動
密切關注該新模型的基準測試表現，評估其「智能密度」是否能轉化為更強的實際推理能力。
誰應關注：Developers & AI Engineers
關鍵要點
- •新模型進入國產大模型第一梯隊
- •策略轉向：優先考慮智能密度而非單純參數規模
- •專注於最大化每個 Token 的效用與價值
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •新進入國產通用大模型第一梯隊的成員是雲知聲（Unisound）及其新一代基座模型U2，該模型明確挑戰「參數越大越好」的傳統範式，轉向追求效率和實際應用價值。 [12, 13, 26]
- •「智能密度」被定義為在更少的計算資源下實現更高的智能產出，強調每個參數的投入產出比，而非參數的絕對值。 [12, 13, 21, 24]
- •「Token價值」則是指最大化每個Token的商業回報，確保其能直接轉化為商業收入、降低運營成本、規避重大風險或提升決策質量。 [12, 13, 21, 24]
- •U2被定位為「原生通用Agent大模型」，從模型訓練之初就原生集成工具調用、狀態管理、多步規劃和任務拆解等能力，旨在實現「為執行而設計」，而非僅僅是內容生成。 [12, 13, 24, 26]
- •中國AI產業正從單純的「參數軍備競賽」轉向更注重效率、成本效益和應用落地的模型開發策略，以滿足企業客戶對實際產出的需求。 [9, 12, 13, 26]
📊 競品分析▸ Show
| 模型名稱/公司 | 策略/特點 | 基準測試表現 (2026年) | 定價/成本優勢 |
|---|---|---|---|
| U2 (雲知聲) | 原生通用Agent大模型，強調「智能密度」與「Token價值」，挑戰「參數越大越好」範式，專注於執行複雜任務。 [12, 13, 24, 26] | IFBench指令遵循評測表現前列；Claw-Eval (pass@3) 取得76.9分，超越Hy3 preview、DeepSeek-V4-Flash (High) 和MiniMax M2.7。 [12, 13, 24] | 追求「強而小、強而省、強而能落地」，目標是高性價比。 [26] |
| DeepSeek-V4-Pro (深度求索) | 國產第一梯隊成員，採用混合專家模型（MoE）架構，注重成本效益和開源設計，在編程能力和數學推理方面表現突出。 [4, 5, 8, 11, 25] | SuperCLUE中文大模型測評中與Qwen3.7-Max、豆包Seed 2.0 Pro組成國內第一梯隊，全球排名約第五。 [4] 成功在國產昇騰910C算力集群上完成1.6萬億參數訓練。 [25] | DeepSeek-R1以超成本效益和開源設計著稱，挑戰傳統AI領域規範。 [8, 11] |
| Qwen3.7-Max / Qwen3.5-Plus (阿里巴巴) | 國產第一梯隊成員，在代碼生成、數學推理、科學推理等項目中多次衝進全球前列，提供多模態能力。 [4, 7] | SuperCLUE中文大模型測評中與DeepSeek-V4-Pro、豆包Seed 2.0 Pro組成國內第一梯隊，全球排名約第五；代碼生成項目得分僅次於海外頭部模型。 [4] | Qwen3.5-397B-A17B (MoE架構) API調用價低至0.8元/百萬token。 [7] |
| 豆包Seed 2.0 Pro (字節跳動) | 國產第一梯隊成員，背靠抖音等巨大用戶規模，技術迭代迅速，注重用戶規模和場景深度。 [2, 4] | SuperCLUE中文大模型測評中與DeepSeek-V4-Pro、Qwen3.7-Max組成國內第一梯隊，全球排名約第五。 [4] | 憑藉抖音等生態的用戶規模，數據飛輪已轉動，形成難以複製的壁壘。 [2] |
| MiniMax | 國產第一梯隊成員，出海能力強，海外用戶佔比高，服務大量用戶和企業客戶。 [2] | Claw評測中U2表現超越MiniMax M2.7。 [24] | 具備全球化能力，在中國大模型公司中獨一無二。 [2] |
🛠️ 技術深入
- 模型架構： 雲知聲U2採用MoE（混合專家）架構，總參數接近3000億，但其核心在於「智能密度」而非參數絕對值。 [12, 13, 24]
- 數據優化： U2通過「高知識密度數據精篩提純技術」過濾重複、低質和幻覺數據，並結合稀疏知識編碼與知識蒸餾架構，壓縮模型冗餘參數，將高價值知識能力固化到更高效的模型結構中。 [24]
- Agent能力集成： U2引入Agent-Harness協同訓練範式，將工具調用、狀態管理、多步規劃和任務拆解等Agent能力從模型訓練的第一天起就原生集成，而非後期外掛插件。 [12, 13, 24]
- 推理機制： U2引入「可控隱空間展開（Bounded Latent Rollout）」與「熵感知切換（Entropy-aware Switching）」機制，使模型能根據推理過程中的不確定性動態調整思考方式，在不確定性升高時回到顯式思維鏈進行精準推導。 [24]
- 智能密度概念： 清華大學團隊提出的「密度法則」指出，實現高「能力密度」不能靠模型壓縮，而需要採用更先進的「數據+算力+算法」體系來培養「高密度」的精幹小模型。 [10]
- Token優化策略： 業界探索的Token優化技巧包括溫度參數調優、輸出長度預設、高效上下文管理（如前綴緩存、內容壓縮、檢索增強生成）以及MoE模型等，旨在降低Token消耗和成本。 [14, 18, 19, 22, 23]
🔮 前景展望AI analysis grounded in cited sources
中國大模型市場的競爭將從單純的參數規模競賽轉向效率和應用價值的深度比拼。
雲知聲U2和DeepSeek等新興力量強調「智能密度」和「Token價值」，反映了市場對成本效益和實際應用成果的強烈需求，將促使更多廠商效仿此策略。 [9, 12, 13, 26]
以智能體（Agent）為核心的大模型將成為主流趨勢，推動AI從「聊天工具」向「任務執行者」轉變。
U2將自身定位為「原生通用Agent大模型」，加上2026年初AGI-Next峰會上業界對「智能體時代」的共識，預示著能夠自主規劃和完成複雜任務的AI模型將獲得更廣泛的應用。 [9, 12, 13, 15, 24, 26]
國產AI芯片和算力基礎設施將在支持先進大模型訓練和部署方面扮演日益關鍵的角色。
DeepSeek-V4-Pro在國產昇騰910C AI算力集群上成功訓練，證明了本土硬件已具備支撐世界級超大參數模型的能力，有助於提升中國AI產業鏈的自主化水平。 [25]
⏳ 時間線
2017-06
Transformer架構的提出，為大規模語言模型奠定基礎。
2020年代初
中國大模型發展進入成熟與應用階段，技術達到國際先進水平。
2025-01
DeepSeek發布開源推理模型DeepSeek-R1，以高性價比和開源設計引發AI領域變革，挑戰「唯算力論」。 [5, 8, 11, 16]
2025-11
清華大學團隊發表大模型「密度法則」研究，提出AI大模型應更關注「能力密度」而非單純「塊頭」。 [10]
2026-01
清華大學主辦的「AGI-Next」峰會達成共識，AI競爭從「對話」轉向「能辦事」的智能體時代。 [9, 15]
2026-06-08
雲知聲正式發布新一代通用基座模型U2，強調「智能密度」與「Token價值」，並定位為「原生通用Agent大模型」。 [12, 13, 24]
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗