U2 Flash：为真实生产任务而生
U2 Flash 聚焦Agent 与 Coding核心场景，具备强大的复杂推理、代码生成与任务执行能力，支持长上下文,可胜任复杂工程开发、长程任务及多步骤Agent 工作流。在保持强劲模型能力的同时，实现更快的推理速度与更优的成本效率，为开发者与企业提供高性能、高性价比的智能底座。
核心亮点
核心亮点
高智能密度基座
300B规模模型实现高效参数利用，支撑长程复杂任务、工程级代码开发等高难度场景，同时兼顾模型性能与部署成本。
长程任务能力
面对复杂任务与执行障碍，主动尝试不同思路与解决路径，持续寻找可行方案，让任务更容易跑通、跑稳。
自主闭环演进
采用自我演进优化范式，支持模型自主纠错与迭代调优，减少对大量人工标注的依赖，持续迭代升级模型能力。
自主闭环演进机制
双轨数据生成
给定一批任务，由多个强模型(teacher)产出正确的轨迹路径，单个弱模型产出错误的轨迹路径，形成“对错成对”的训练样本。
监督分析与关键action标记
一个监督模型配合hamess，对成对的对错轨迹进行对比分析，生成分析报告与流程图，并在核心的决定性action上做标记。
提示CoT生成
基于关键action标记，生成对应的提示词与思维链(CoT)，引导弱模型关注自身的薄弱环节。
弱模型重采
弱模型基于提示CoT重新采集、生成正确轨迹。
清洗重写
对采集到的轨迹进行提示词与思考过程的清洗和重写，提升数据质量。
微调增强(SFT+异步Agent RL+OPD)
用清洗后的高质量数据对弱模型进行SFT微调，再经异步Agent RL在真实沙盒环境中强化策略，最后通过多教师 OPD将领域专家能力蒸馏回统一模型，得到增强后的模型;增强模型作为下一轮的弱模型继续迭代，形成闭环。
在真实环境中“自己强化”
异步采样
多个rollout worker并行在沙盒环境中执行任务、采集轨迹(代码执行、工具调用、环境交互)，不阻塞策略更新，大幅提升训练吞吐。
GRPO 策略优化
基于 DeepSeekMath 提出 GRPO (Group Relative Policy Optimization)在同一组轨迹内做相对优势估计，无需独立价值模型(Critic)，显著降低显存与训练成本;组内多样化的多条轨迹相互比较，天然鼓励模型探索不同解法路径，摆脱单一重试模式。
稀疏奖励+长程信用分配
Agent任务奖励稀疏(只有最终结果有信号)，通过关键action标记与轨迹级优势估计，把成功/失败信号沿着决策路径回溯分配到决定性动作上，解决长程信用分配难题。
监督模型仅在关键步骤介入
与自主闭环机制一脉相承——模型自主探索，监督模型只在关键分叉点介入，兼顾探索效率与训练质量。
多教师在线策略蒸馏
领域专家训练
针对数学/代码/Agent/指令跟随等不同领域，各训练一个领域专家(SFT打底+ 领域专属GRPO)，形成专家池。
多教师合并
将N个领域专家作为教师，蒸馏进一个统一的学生模型。学生在自己的 on-policy 轨迹上最小化与各教师的reverseKL散度。
工程化落地
教师权重按需加载、只缓存hidden states、按教师排序样本--在有限算力下也能完成多教师蒸馏。
立即开始