摘要：阶跃星辰发布 StepAudio 3 系列五款语音模型，Realtime 以 98.9% 居全球对话动态榜首；云知声发布 266B MoE 的 U2-Flash，单次仅激活约 10B，编程榜 64.6 超 GLM5.3-Flash。
国内模型这两天不约而同地押注了同一个词：效率。9 月 15 日，阶跃星辰发布新一代语音大模型 StepAudio 3 系列，一次性推出 Realtime、ASR、TTS、Gen、Music 五款模型，均已上线开放平台。官方称 Realtime 在 Artificial Analysis 对话动态榜以 98.9% 居全球第一，语音推理准确率 99.7%；ASR 非流式词错误率 1.7%，并列全球第一；Gen 可一次生成人声、音效、环境音与配乐，Music 支持 ABC 记谱法多轮交互创作。这套组合拳的意图很清楚：用覆盖"听—说—生成—作曲"的全栈语音能力，对标国际语音模型。
同一天，云知声发布高密度智能模型 U2-Flash，走的是另一条更"工程化"的路线。它采用稀疏混合专家（MoE）架构，总参数约 266B，但单次推理仅激活约 10B（激活比例不到 4%），首字响应平均 3 秒以内，峰值吞吐最高 300 tokens/s。在 DeepSWE v1.1 编程榜单得 64.6 分，官方称超过 GLM5.3-Flash 与 DeepSeek-V4-Pro-0813；SWE-Bench Pro 61.6 分，较前代提升 10.5 分。模型已完成对主流国产算力平台适配，Agent 任务迭代步数减少 20%–30%，Token 消耗降低 20%–30%。
这两条线合起来的信号很明确：当算力越来越贵、电力越来越紧，"每兆瓦能产出多少有用的 token"开始比跑分更值钱。阶跃用全栈语音抢应用入口，云知声用"266B 总参、10B 激活"证明大模型可以既大又省。对国内开发者来说，这类高密度、低激活的模型更贴合真实的成本约束——毕竟多数团队的瓶颈不是"模型够不够聪明"，而是"每次调用烧不烧得起"。在国产算力适配上做足功夫，也让它们比纯云端大模型更容易在信创和私有化场景里落地，这恰恰是 2026 年国内模型竞争的关键分水岭。
一个容易被忽略的细节是，云知声把"Agent 任务迭代步数减少 20%–30%"和"Token 消耗降低 20%–30%"并列作为卖点，说明国产模型的竞争焦点已经从"参数有多大"转向"完成任务要花多少"。这其实是更健康的指标——企业最终为 AI 付费，买的是"把事办成"，不是"模型有多重"。阶跃和云知声走的不同路线（全栈语音 vs 高密度通用）也预示国内模型会分化成"垂直能力王"和"性价比底座"两类，前者吃场景，后者吃规模。对开发者选型的建议很直接：做语音交互产品看阶跃，做高并发 Agent 后台看云知声这类高密度模型。
