商汤发布多模态“效率怪兽”，开源即SOTA！最小仅8B，比肩商用

智东西

作者 | 江宇

编辑 | 漠影

当GPT images 2.0又再一次抢占头条，人们对多模态模型的关注也在悄然变化：“画得好”已经不再是问题了，我们还想要“速度快、效率高、成本低”。

过去很长一段时间里，视觉理解与图像生成，往往被拆分为两套体系：前者负责“看懂”，后者负责“画出”，中间通过不同模块进行衔接。这种在底层逻辑上的割裂，是阻碍模型效率的核心。

商汤这次的思路，是从架构层面直接处理这个问题。

他们刚刚开源了原生理解生成统一模型SenseNova U1，便基于自研的NEO-unify架构，将图像与文本的理解与生成能力统一到同一体系中，没有了“中间商”之后，效率得到大幅提升。

在图像理解与生成的多项基准测试中，SenseNova U1 Lite在同量级开源模型中达到SOTA水平，并在多项指标上逼近商业闭源模型表现。以8B参数规模，实现接近更大模型的能力，得到“以小搏大”的表现。

高密度信息图（en）

高密度信息图（zh）

目前，用户可以在Hugging Face、GitHub获取开源模型。同时，商汤AI办公智能体“办公小浣熊3.0”也即将接入SenseNova U1，用户可直接体验相关能力。

一、不靠堆参数，靠效率取胜：8B模型拿下开源SOTA

本次开源包含两个版本：SenseNova-U1-8B-MoT与SenseNova-U1-A3B-MoT，均基于统一的多模态理解、推理与生成架构，面向图文理解、生成及复杂交互任务。

如果从测评结果来看，SenseNova U1最突出的优势，在于整体效率——在理解、生成、推理与图文交错多个维度上，用更小的模型规模，跑出了接近甚至逼近商业闭源模型的表现。

在理解侧，SenseNova-U1-8B-MoT在AI2D、IFBench等基准上均取得领先表现，例如在AI2D上达到91.7分。结合空间理解相关测试，可以看到模型在复杂结构与关系判断等任务中表现稳定，具备一定的逻辑推理能力。

在生成侧，模型在GenEval、OneIG、LongTextBench等任务中表现稳定，能够同时兼顾复杂结构生成与文本一致性。尤其是在信息图生成（Infographics）任务中，平均得分达到50.7，是开源模型最强，媲美部分闭源商业模型。

进一步看编辑与图文交错能力，在Editing、Visual Reasoning等任务中，SenseNova U1在WISE、VBVR、OpenING、GEdit-Bench等测试中表现突出。例如在OpenING相关任务中达到91分，在视觉推理任务中也明显优于传统图像生成模型。

但相比这些分项成绩，更关键的是它的“性能—效率比”。

从对比结果来看，在信息图生成与长文本等任务中，SenseNova U1在约15秒延迟下即可取得接近60分的平均成绩，整体属于“高性能、低延迟”。对比Qwen-Image 2.0 Pro、Seedream 4.5等模型，其在生成质量接近商业闭源模型的同时，响应速度更快。

Generation Latency vs. Averaging Performance on Infographic Benchmarks, i.e., BizGenEval (Easy, Hard), and IGenBench

Generation Latency vs. Averaging Performance on OneIG (EN, ZH), LongText (EN, ZH), BizGenEval (Easy, Hard), CVTG and IGenBench

这些性能表现背后，主要还是来自底层架构的优势。SenseNova U1基于商汤自研的NEO-unify原生统一架构，在设计上减少了中间环节带来的信息损耗，因此在数据利用效率和推理开销上更有优势。

最终呈现出来的，才得以是“以小搏大”的优势：仅用8B参数规模，在多个维度达到同量级开源模型SOTA，并在部分任务上逼近商业闭源模型。

从测评结果来看，这种优势已经比较清晰。至于落到真实使用场景中，SenseNova U1是否同样稳定、好用，我们来实测一番。

二、一手实测揭秘：从立体排版到“言出法随”

智东西选取了多个不同类型的任务进行测试，覆盖高密度信息图、趣味创意图以及技术流程图等典型场景。

创作信息图可以说是最能“精准击中”职场人的能力。用户只需要输入文章、资料或文字说明，模型就能将其中的关键信息提炼出来，并生成一张具备结构、层级和视觉重点的信息图。

在“苏超出圈之路”这一案例中，模型就生成了一张多层蛋糕式信息图。不同阶段以立体分层形式呈现，文字随着结构自然分布在不同空间层级中，而不是简单平铺。

这背后其实反映的是模型对结构的理解能力。更关键的是，在这种复杂排版下，整张图没有出现明显的文字错位、遮挡或渲染错误，整体可读性很高。

换一个更复杂的文本场景来看，模型对富文本结构的理解能力，体现得更明显：哪些信息需要突出，哪些适合做流程，哪些更适合用图表表达，哪些需要用图标辅助理解。

“龙虾使用指南”这个案例，就更能体现细节处理能力。

这一任务中包含大量中英文混排、不同字号文本以及情绪化表达。模型不仅把“禁止模糊指令”“禁止无限重试”这些核心文案写对了，还自动匹配了对应的图标和带情绪的画面，比如龙虾被“压榨”、被“投喂指令”等。

不同模块之间的文字大小、间距和布局都处理得较为合理，没有挤在一起，已经达到直接商用的水准了。

在人物与指令理解方面，“马斯克vs奥特曼”这一案例更具代表性。

在提示词中仅输入“奥特曼”这一昵称，模型直接生成了一个穿西装的“奥特曼形象”，与旁边的马斯克形成对比，既符合语义又带有明显的趣味性。与此同时，马斯克的表情、动作以及整个对峙氛围也都比较到位，可见模型在人物理解和场景构建上具备较强的语义对齐能力。

到了技术表达这一步，难度其实更高。在“SenseNova U1技术解读”这一案例中，模型需要生成的是一张逻辑清晰的技术流程图。

从结果来看，整体结构层级清晰，信息分区明确、表达直观，对于非技术读者也较为友好。

一轮实测下来，另一个比较直观的感受是速度。这类图像的生成基本都在十几秒内完成，有点接近“言出法随”的感觉。

在这样的生成效率下，各种应用场景也不在话下。目前，SenseNova U1可生成信息图谱、专业简历、生活指南、产品说明、百科知识、漫画创作等多种内容。对营销、办公、设计、商业分析等场景来说，这类能力直接对应的是内容生产效率提升。

三、告别“缝合”，NEO-unify架构如何成为理解与生成的“通才”？

测评集成绩有优势，实测效果也毫不逊色，这个原生框架究竟好在哪里，我们来拆解一下。

过去，多模态模型的工作方式更像是“分工协作”：视觉编码器负责理解图像，变分自编码器负责生成图像。前者看图，后者画图，中间再通过不同模块完成衔接。

理解与生成更像两条并行的流程，能配合，但很难真正融合，所以SenseNova U1这次选择直接推倒重建，从底层架构上直接改掉这套“拼接式”体系。

其采用的自研NEO-unify架构，不再把语言和视觉当作需要中间转换的两种信号，而是从一开始就把它们当作同一类信息来建模。

换句话说，语言与视觉不再各走各路，在同一套表征体系里共同参与理解、推理和生成。

这种设计本质上回到了“多模态AI第一性原理”：不同模态之间本来就是内在关联的。

在具体实现上，模型尽量减少中间压缩与转换环节，直接从接近原始的像素和文本信息中学习，让信息在传递过程中损耗更小。

同时，它的数据和推理效率也更高。这也是SenseNova U1值得关注的地方：并不是单纯靠堆参数规模换效果，而是在底层架构上重新处理多模态模型的协作方式。

四、当AI学会“带图思考”，展开空间智能更多想象

不同于GPT-image2单纯图像上的“卷王体质”，SenseNova U1也展示了另一种可能：让图像成为逻辑的一部分，并在推理过程中引入对空间结构的理解。

这也是其“连续性图文创作输出”的能力核心。

SenseNova U1是业内首个能够在单一模型上进行连贯图文交错生成的模型。这意味着，在处理复杂任务时，模型可以一边解释逻辑，一边生成对应的示意图、流程图、草图或设计图。

例如在教程、在绘本故事等场景中，它可以让文字叙事、插图风格、人物事件等保持一致性与连贯。

同时，SenseNova-U1并不是先生成一段完整文字，再去“补图”，而是从材料准备或构图草稿开始，一步步输出关键操作，并同步生成对应画面。

整个生成过程是连续的：步骤之间有承接关系，图像之间保持风格一致，文字和视觉内容也始终围绕同一上下文展开。这种连贯性，在过去依赖多模型串联的方案中很难稳定实现，往往会出现风格漂移或信息断裂。

本质上，这得益于SenseNova U1所具备的原生图文理解生成能力，能天然将图像和文本底层融合信号完整的保留上下文中，在统一表征空间进行高效连贯思考。

这也让它和空间智能产生了更直接的联系。空间智能关注的是模型如何理解位置、方向、布局、关系和结构，而这些能力恰恰会在图像生成、高密度信息图排版、流程图构建和场景示意中反复出现。

如果继续往后看，这类能力也可能成为具身智能的重要基础。机器人要在真实环境中完成任务，不仅要“看见”物体，还要理解物体之间的关系、判断行动路径，并根据任务目标做出连续决策。

从这个角度看，SenseNova U1的意义不只是生成更好看的图，而是在单一模型中尝试打通理解、推理和视觉表达。它距离真正成为机器人的“具身大脑”还有距离，但这类统一架构，至少提供了一条更接近多模态闭环的技术路径。

结语：理解与生成走向统一，多模态模型进入分岔口

从底层架构的NEO-unify创新，到应用层面的原生图文交错与高密度信息图生成，商汤的全面开源，不仅是参数规模上的“以小搏大”，更是对多模态第一性原理的深度回归。

当行业还在讨论生图模型的真实边界时，SenseNova U1已经通过理解与生成的统一，为AGI的到来铺就了一条更具效率的路径。

开源的力量将让这种原生多模态能力迅速渗透进每一个垂直行业，我们正在见证的是一个“图文同构、思画合一”的全新时代的开启。

在大模型全球竞赛的下半场，国产模型正在输出属于自己的硬核解法。