https://www.unisound.com 云知声官方网站 zh-CN https://www.unisound.com/news/164 https://www.unisound.com/news/164 Wed, 14 Oct 2026 17:40:49 +0800 https://www.unisound.com/news/163 https://www.unisound.com/news/163 近日，云知声U2-OCR在多语言文档解析基准MDPBench中取得领先成绩：以86.0分登顶文档解析专业模型（Specialized VLM）榜单，并在全类别（All types）榜单中位列第二，超过Kimi K3等通用视觉语言模型。 在专业模型类别中，U2-OCR还包揽数字文档、拍照文档、拉丁文字系、非拉丁文字系及私有评测集五项细分维度第一，并在17个评测语种中取得12个语种单项第一。这一表现，体现了其跨语言、跨版式及复杂成像条件下的文档解析能力。 Wed, 14 Oct 2026 15:55:33 +0800 https://www.unisound.com/news/162 https://www.unisound.com/news/162 近日，《环球时报》海外版和中文版先后关注中国“词元出海”的发展。云知声服务埃塞俄比亚跨境电商企业的实践两度成为报道案例：当地团队通过API调用部署在中国的大模型，借助AI完成直播脚本生成、商品内容优化等工作，让中国大模型能力跨越地域边界，融入海外商业流程。 Wed, 14 Oct 2026 15:45:00 +0800 https://www.unisound.com/news/161 https://www.unisound.com/news/161 2026年9月29日，云知声与中铁上海设计院集团有限公司（下称“中铁上海院”）战略合作签约仪式在上海圆满落幕。紧跟铁路与轨道交通行业数字化、智能化深度转型浪潮，双方正式建立长期深度战略合作伙伴关系，聚焦“人工智能+铁路与轨道交通”核心赛道，开启技术共建、场景共研、标准共制、成果共享、奖项共申的全新合作格局，全力赋能交通强国建设，推动铁路轨交行业数智化生态全面升级。 Fri, 09 Oct 2026 10:37:00 +0800 https://www.unisound.com/news/160 https://www.unisound.com/news/160 在一场覆盖6大方向、6款主流模型的工业级 Coding 实操综合评测中，云知声 U2-Flash 以 65.12 的平均得分位列综合第2，并在构建编译与跨平台迁移、数字逻辑与芯片级 RTL、2D 矢量代码渲染、长程工具决策四个高壁垒赛道中取得第一。多项细分成绩显示，U2-Flash 正持续强化面向真实工业场景的 Coding 实操与工程交付能力。 Mon, 28 Sep 2026 21:36:00 +0800 https://www.unisound.com/research/159 https://www.unisound.com/research/159 今天，云知声正式上线并开源决策大模型 U2-Decision，本次开源版本参数量为 4B。它定位于多模型、多 Agent、多工具协作中的决策层，围绕三个问题展开：任务交给谁、任务能否执行、任务沿什么路径完成。对应的三项核心能力，是智能模型路由、安全决策和工作流路由。 Sat, 26 Sep 2026 11:18:00 +0800 https://www.unisound.com/research/158 https://www.unisound.com/research/158 今天，云知声正式发布 U2-Flash。它不是 U2 的效率精简版，而是一次面向真实生产力的全新主力智能形态的诞生。作为新一代高密度智能模型，U2-Flash 通过系统性后训练释放推理和自主执行能力，既有主力模型的硬核能力，又有 Flash 级别的极速响应，为真实生产力场景提供更强、更快、更省的综合解法。 Tue, 15 Sep 2026 09:46:00 +0800 https://www.unisound.com/news/156 https://www.unisound.com/news/156 近日，云知声团队研究成果Zipper-LoRA: Dynamic Parameter Decoupling for Speech-LLM based Multilingual Speech Recognition成功被语音与语言处理领域顶级国际期刊IEEE Transactions on Audio, Speech and Language Processing (IEEE TASLP 2026)正式接收。 Thu, 10 Sep 2026 20:14:00 +0800 https://www.unisound.com/news/155 https://www.unisound.com/news/155 近日，云知声收到中铁上海设计院集团有限公司（以下简称 "上铁院"）发来的表扬信。信中，上铁院对云知声团队在 "大模型云服务及智能体应用开发服务项目" 中的技术实力、项目交付与服务态度给予高度评价。 Thu, 10 Sep 2026 19:45:00 +0800 https://www.unisound.com/news/154 https://www.unisound.com/news/154 近日，由北京市工商联主办的首都民营经济创新发展大会顺利举行。大会聚焦民营经济科技创新与产业创新深度融合，现场发布《首都民营经济科技创新和产业创新融合发展优秀案例》。凭借在AI技术创新与产业实践方面的持续探索，云知声兽牙智能体平台成功入选。 Thu, 03 Sep 2026 14:28:00 +0800 https://www.unisound.com/news/153 https://www.unisound.com/news/153 近日，Wind ESG最新评级结果发布，云知声智能科技股份有限公司获评“A”级，ESG综合得分7.28分，在261家信息技术服务企业中排名第47位，高于信息技术服务行业均值6.17分。在信息技术服务行业261家公司中排名第47，位于行业前25%。 Thu, 03 Sep 2026 13:52:00 +0800 https://www.unisound.com/news/148 https://www.unisound.com/news/148 公司上半年实现营业收入5.62亿元，同比增长38.7%，商业化进程全面提速。其中，Token业务收入同比增长约760%，业务毛利率超过60%，标志着云知声在AI大模型商业化道路上迈入加速期，正从技术领先迈向价值引领的新阶段。 Fri, 28 Aug 2026 12:38:00 +0800 https://www.unisound.com/research/141 https://www.unisound.com/research/141 近日，云知声文档智能基础大模型 U1-OCR 能力全新升级，正式上线 IMG2PPT 智能转换功能。IMG2PPT 基于 U1-OCR 文档智能引擎打造，可将 JPG、PNG、PDF 等静态文件中的内容还原为原生可编辑 PPT，让文本框、图片、列表、形状、表格等全部成为 PPT 原生可编辑对象。这标志着 OCR 技术正式从 "单一内容识别"，进阶至 "智能理解 + 结构重建" 的全新阶段。 Thu, 20 Aug 2026 18:40:00 +0800 https://www.unisound.com/research/123 https://www.unisound.com/research/123 作为国内首个深度融合医学影像理解、报告生成、临床推理决策、视觉问答的全链路影像大模型，该模型支持单张、多张影像与文本的多模态混合输入，可完成“看影像→调知识→做推理→出结论”的完整工作闭环，为临床医生提供从病灶筛查、精准诊断到个体化治疗决策的全方位AI辅助支撑，助力影像诊断迈向更高阶的智能化。 Thu, 13 Aug 2026 08:30:00 +0800 https://www.unisound.com/news/128 https://www.unisound.com/news/128 近日，云知声与国内顶尖普惠用车及本地生活服务平台哈啰出行达成战略合作。双方将围绕Robotaxi智能座舱、客服系统升级等核心场景，共同探索AI赋能出行服务的更多可能。 Tue, 28 Jul 2026 09:30:00 +0800 https://www.unisound.com/research/125 https://www.unisound.com/research/125 云知声近日全面完成 U2-ASR 与 U2-TTS 的多语种能力升级：ASR 新增 13 种国际语言识别，TTS 新增 8 种东南亚语言合成。至此，U2 语音大模型已支持超 100 种中国方言及超 15 种国际语言。 Tue, 28 Jul 2026 08:30:00 +0800 https://www.unisound.com/news/129 https://www.unisound.com/news/129 7月23日，厦门市工业和信息化局召开新闻发布会，宣布厦门市人工智能公共服务平台正式启动试运行；同时，运行超过二十年的厦门市中小企业公共服务平台“慧企云”完成全面智能化升级。 Fri, 24 Jul 2026 08:30:00 +0800 https://www.unisound.com/news/130 https://www.unisound.com/news/130 在上海世博展览馆H1-D730展位，云知声携以U2为核心的U-Model矩阵与三大Agent集群集中亮相，从模型能力的持续突破，到智能体走进医疗健康、组织流程与日常生活，全方位展示云知声的智能伙伴如何从理解世界、感知需求，进一步走进工作流、与人协同完成任务，以自身实践呼应时代命题：让智能不断向上，也让每一次技术进步，始终向善而行。 Sat, 18 Jul 2026 18:00:00 +0800 https://www.unisound.com/research/126 https://www.unisound.com/research/126 以“智能向善”为初心，U2-Med致力于将AI从“对话工具”升级为扎根业务一线的“数字专家”。通过打破三医数据与业务的孤岛，重构产业生态，U2-Med不仅是在攀登技术的高峰，更是在仰望人类健康的星辰大海——以AI的力量推动医疗服务向更高效、更公平、更智能的方向演进，让科技的温度真正造福全人类的健康福祉。 Fri, 17 Jul 2026 08:30:00 +0800 https://www.unisound.com/research/145 https://www.unisound.com/research/145 可验证奖励强化学习（RLVR）已被证明能够有效提升大语言模型的推理能力，但现有方法大多依赖充足的训练数据。在低资源场景下，RLVR 更容易出现严重的“熵坍缩”，从而限制模型探索能力并影响推理性能。 为此，本文提出面向少样本 RLVR 的 HEAL（混合领域熵动态对齐） 框架。HEAL 首先引入高价值的通用领域数据，以增强模型探索的多样性；随后提出 熵动态对齐（EDA） 机制，通过对齐目标领域与通用领域的轨迹级熵动态，进一步缓解熵坍缩，并帮助模型学习更丰富的探索策略。 多领域实验表明，HEAL 能够持续提升少样本 RLVR 的性能。尤其是在仅使用 32 个目标领域样本的情况下，其效果即可达到甚至超过使用 1000 个目标领域样本训练的全量 RLVR。 Tue, 07 Jul 2026 18:00:00 +0800 https://www.unisound.com/research/144 https://www.unisound.com/research/144 阅读顺序检测是文档理解的基础。现有方法大多采用统一监督，默认不同版面区域的学习难度基本一致。本文指出这一假设存在明显缺陷，并发现一种“位置差异（Positional Disparity）”现象：模型在相对确定的起始和结束区域表现良好，但在结构复杂的中间区域性能明显下降。这是因为大量简单样本会淹没复杂版面中的有效学习信号。 为解决这一问题，本文提出基于**焦点偏好优化（Focal Preference Optimization，FPO）**的 FocalOrder 框架。该方法利用指数移动平均机制动态识别难学习的阅读顺序转换，并通过难度校准的成对排序目标增强全局逻辑一致性。 大量实验表明，FocalOrder 在 OmniDocBench v1.0 和 Comp-HRDoc 上取得了新的 SOTA 性能。其轻量级模型不仅优于多种专用基线，还显著超过大规模通用视觉语言模型，证明针对文档自身结构歧义进行优化，是准确理解复杂文档结构的关键。 Tue, 07 Jul 2026 18:00:00 +0800 https://www.unisound.com/research/146 https://www.unisound.com/research/146 全模态大语言模型为幻灯片增强语音识别提供了端到端解决方案，但容易受到“视觉干扰”，即过度依赖幻灯片文字而忽视语音信号，导致错误转写。为此，本文提出视觉锚定策略优化（VAPO），通过“先看后听”的推理机制，以视觉信息作为语义锚点辅助转写，并结合多目标强化学习进行优化。同时构建 SlideASR-Bench 基准。实验表明，VAPO 可有效减少视觉干扰，并显著降低专业领域中的实体识别错误。 Tue, 07 Jul 2026 18:00:00 +0800 https://www.unisound.com/research/143 https://www.unisound.com/research/143 阅读顺序检测是文档理解的基础。现有方法大多采用统一监督，默认不同版面区域的学习难度基本一致。本文指出这一假设存在明显缺陷，并发现一种“位置差异（Positional Disparity）”现象：模型在相对确定的起始和结束区域表现良好，但在结构复杂的中间区域性能明显下降。这是因为大量简单样本会淹没复杂版面中的有效学习信号。 为解决这一问题，本文提出基于焦点偏好优化（Focal Preference Optimization，FPO）的 FocalOrder 框架。该方法利用指数移动平均机制动态识别难学习的阅读顺序转换，并通过难度校准的成对排序目标增强全局逻辑一致性。 大量实验表明，FocalOrder 在 OmniDocBench v1.0 和 Comp-HRDoc 上取得了新的 SOTA 性能。其轻量级模型不仅优于多种专用基线，还显著超过大规模通用视觉语言模型，证明针对文档自身结构歧义进行优化，是准确理解复杂文档结构的关键。 Tue, 07 Jul 2026 18:00:00 +0800 https://www.unisound.com/research/142 https://www.unisound.com/research/142 全模态大语言模型（OLLMs）在多类任务中表现出色，但在需要融合文本、视觉和声学信号的复杂情感推理任务中仍存在不足。我们将这一问题归因于“模态坍缩”，即模型过度依赖某一主导模态，而忽视其他互补信息。 为此，本文提出 OmniCoT，通过在推理过程中插入 [vision]、[audio] 等引导标记，促进模型进行结构化证据提取；进一步提出动态模态熵 GRPO（DyME-GRPO），利用引导标记的不确定性动态调节不同模态的使用，减少模态坍缩与信息冗余。 基于 OmniCoT 监督微调和 DyME-GRPO 优化，本文在 Qwen2.5-Omni-7B 基础上构建了 EmoOmni。实验表明，EmoOmni 在多项情感识别与推理基准上达到当前最优水平，同时保留了基础模型的通用能力。 Thu, 02 Jul 2026 08:00:00 +0800 https://www.unisound.com/research/127 https://www.unisound.com/research/127 作为我们面向个人、开发者与组织打造的原生智能体大模型，U2的技术主张极为纯粹：高智能密度 × 高Token价值。它不再盲目堆叠参数，而是追求高智能密度，用更少激活资源承载更强能力；不再简单比拼输出长度，而是追求高Token 价值，让每一次调用都更接近交付结果。 Mon, 08 Jun 2026 08:30:00 +0800 https://www.unisound.com/news/152 https://www.unisound.com/news/152 近日，IEEE/CVF计算机视觉与模式识别会议（CVPR 2026）公布了第十届开放环境下情感行为分析国际挑战赛（The 10th Workshop and Competition on Affective Behavior Analysis in-the-Wild，简称10th ABAW）最终成绩。云知声与中国科学技术大学於俊副教授团队联合攻关，从全球众多参赛队伍中脱颖而出，在情绪模仿强度估计赛道（Emotional Mimicry Intensity Estimation，EMI）和动作单元检测赛道（Action Unit Detection，AU）中斩获冠军，在表情识别赛道（Expression Recognition，EXPR）中荣获季军，实现两冠一季的优异成绩。依托竞赛中的技术创新成果，联合团队进一步完成三篇CVPR 2026 Workshop论文并公开发表，充分展现了团队在开放环境情感行为分析与多模态理解领域的领先研究实力。 Fri, 05 Jun 2026 17:42:00 +0800 https://www.unisound.com/research/151 https://www.unisound.com/research/151 真实场景下的面部动作单元（Facial Action Unit，AU）检测仍面临诸多挑战，包括显著的时空异质性、非受控姿态以及复杂的视听模态依赖关系。尽管近年来多模态方法取得了一定进展，但往往受限于编码器能力和浅层融合机制，难以捕捉细粒度语义变化和超长时序上下文。 为此，我们提出一种基于**层次化粒度对齐（Hierarchical Granularity Alignment）与状态空间模型（State Space Models）**的新型多模态框架。该方法采用 DINOv2 和 WavLM 基础模型提取高质量、鲁棒的视觉与音频表征，以替代传统特征提取器。 针对复杂的面部变化，我们设计了层次化粒度对齐模块，动态对齐全局面部语义与细粒度局部活跃区域。同时，引入 Vision-Mamba 架构，以 O(N) 线性复杂度进行时序建模，突破传统时序卷积网络的感受野限制，在保持性能的同时有效捕捉超长距离动态信息。此外，我们还提出非对称交叉注意力机制，实现副语言音频线索与细微视觉动作的深度同步。 在 Aff-Wild2 数据集上的大量实验表明，该方法显著优于现有基线并达到当前领先水平。值得一提的是，该方法在第十届野外情感行为分析挑战赛（ABAW10）的 **AU Detection 赛道中获得第一名**，展现出较强的真实场景应用能力。 Wed, 03 Jun 2026 20:24:00 +0800 https://www.unisound.com/research/150 https://www.unisound.com/research/150 现实环境中的情绪识别常受到局部遮挡、模态缺失以及严重类别不平衡等问题影响。针对这些挑战，尤其是面向野外情感行为分析（ABAW）Expression 挑战赛，我们提出了一种可动态融合视觉与音频表征的多模态框架。 该方法采用双分支 Transformer 架构，并引入安全交叉注意力机制（Safe Cross-Attention）和模态丢弃（Modality Dropout）策略，使模型在视觉信息缺失时仍可依赖音频信息进行预测。针对 Aff-Wild2 数据集中的长尾分布问题，我们采用 Focal Loss 进行优化，并结合滑动窗口软投票策略，以捕捉动态情绪变化并减少帧级分类抖动。 实验结果表明，该框架能够有效应对模态缺失和复杂时空依赖问题，并最终获得第十届 ABAW Expression 挑战赛第三名。 Wed, 03 Jun 2026 20:21:00 +0800 https://www.unisound.com/research/149 https://www.unisound.com/research/149 自然场景中的情绪模仿强度（EMI）估计面临多模态异构、时序关系复杂以及信号噪声和缺失等挑战。为此，我们提出 TAEMI，一种面向第十届 ABAW 竞赛的文本锚定多模态框架。 TAEMI 以稳定的文本语义作为核心锚点，通过双重交叉注意力机制对齐并过滤视觉、声学信号中的冗余与噪声信息，同时结合可学习缺失模态标记和 Modality Dropout，提升模型在模态缺失场景下的鲁棒性。 在 Hume-Vidmimic2 数据集上的实验表明，TAEMI 能够有效捕捉细粒度情绪变化，并在六个连续情绪维度上取得领先的平均 Pearson 相关系数，显著优于现有基线方法。 Wed, 03 Jun 2026 20:08:00 +0800