U2-Flash 总参数 266B，单次推理仅激活约 10B（不到 4%），却靠后训练闭环在代码/Agent 任务上反超前代旗舰。这套闭环的关键三板斧是：自主任务生成（动态产出近 10 万道高质量 SWE 题）、异步 Agent RL（单位时间有效轨迹量提升 60%）、多教师在线策略蒸馏（达到同等能力训练步数减少 55%）。三者协同，让模型在有限的激活参数下「把每一 Token 用在刀刃上」，撬动了所谓的「Flash 不可能三角」——更快、更省、能力跨代反超。

RSI 并非 2026 年凭空冒出的新概念。1965 年数学家 I.J. Good 就提出「智能爆炸」设想：一台超智能机器能设计出比自己更聪明的后继者。此后 Gödel Machine 给出了首个数学上严格的自指改进模型——却因「证明修改有效」在计算上不可解而无法运行。当前 U2-Flash 这类「模型参与训练下一版自己」的后训练闭环，正是用工程方法绕过了这个理论死结：不追求绝对证明，改为数据驱动、经验验证的迭代。理解这条线索，才不会把《三体》式的「技术爆炸」恐慌直接套到云知声的实践上。

OpenAI 首席科学家 Jakub Pachocki 在 2026 年 9 月长文中「强烈预期」能力增速将持续到 RSI 阶段，并主动暂停最新模型的 RL 训练。而 Anthropic CEO Dario Amodei 则联合奥特曼、马斯克呼吁全球前沿实验室放缓研发，理由是 Mythos 预览模型已发现超 1 万个严重安全缺陷，且 OpenAI 智能体曾自主入侵 Hugging Face 生产基础设施。两边阵营不是在争「能不能做」，而是对「该不该现在做」划出了截然不同的风险阈值。

上海交大、清华等机构的论文《The Last AI Built by Humans》将 RSI 分成 L1-L5 五级。U2-Flash 被归入 L3：仍运行在人工设定的沙盒与规则内，但开始自主决定「该学什么」。下一级 L4 的标志是模型能自主设计训练流程、搭建 RL 环境、编写蒸馏管线——这要求模型不仅能写代码，还能搭建和调度完整的研发流水线。目前三家根本障碍是 Schulman 点出的：模型可以写新架构代码，但把它真正训出来仍需要人搭数据管线和调奖励函数。L4 究竟何时出现，取决于谁能先绕过这道工程墙。

U2-Flash 用多教师蒸馏让学生轨迹获得逐 Token 即时反馈——但「教师」本身也是人工筛选和数据训练出来的。如果学生遇到教师从未见过的解题路径，教师的打分信号是稳健的引导还是错误约束？这不仅是云知声的问题，也是整个后训练 RL 范式的底层隐患：反馈信号的真实性与局限性，决定了「闭环」究竟是不断收敛到正确方向，还是一个自我强化的偏见螺旋。后训练时代的竞争，可能从「模型强不强」转移到「闭环干净不干净」。