原生理解生成统一:商汤SenseNova U1,用统一架构终结缝合怪多模态|image|sensenova|商汤|新论文|模态

机器之心编辑部

就在每次大家刚摸熟玩法时，新花样又来了。

最近，全网集体上头的是 OpenAI 发布的 GPT Image 2。它不只会生成好看的图片，更是把「信息图生成」带火了：知识卡片、数据图解、攻略长图、科普海报…… 只要一句话，就能生成一张排版精致、信息清晰、质感在线的图片。这波出圈速度，丝毫不亚于当年的吉卜力风格刷屏。

但对于国内用户来说，想体验 GPT Image 2 还是有些难度的。那有没有一个更低门槛、更适合国内用户的选择？

好巧，还真有。

刚刚，我们发现了一款国产开源模型，正好踩中了这个需求 —— 来自商汤的日日新 SenseNova U1 系列原生理解生成统一模型

那些超大参数模型的玩法，它都能做，以前特别费脑、费时间的内容，现在只需要把需求说清楚，它就能自动完成信息整理、版式设计和视觉呈现，直接给你「看起来很专业」的成品图。

而且它完全开源，也不受次数束缚。

就像这样：

SenseNova U1 不只是会「画图」，它采用了NEO-unify 理解生成统一的全新架构，能够真正让语言和视觉信息协同。所以它只需8B 的小参数，就能实现很多商业闭源模型同样的效果，效率拉满。

由于能够把视觉信息直接纳入思考链路中，它还在行业首创了连续性图文创作输出的模式。

另外，值得说明的是，商汤这次开源的是 SenseNova U1 的轻量版系列 SenseNova U1 Lite，包含SenseNova-U1-8B-MoTSenseNova-U1-A3B-MoT两个版本。

GitHub：https://github.com/OpenSenseNova/SenseNova-U1
Hugging Face：https://huggingface.co/collections/sensenova/sensenova-u1

虽然身板小，但它在多个测评维度上性能领先。

在图像理解与生成基准测试中，SenseNova-U1-8B-MoT 的表现相当亮眼。虽然它只是 8B 级模型，但在通用理解、空间理解等多个测试中都取得了领先成绩，甚至超过了 Qwen3VL-30B-A3B、Gemma4-26B-A4B 等更大规模模型。简单说，SenseNova-U1-8B-MoT 并不是靠堆参数取胜，而是在较小体量下做出了更高效的多模态理解能力。

在图像生成基准测试上，SenseNova U1 Lite 在信息图生成（Infographics）的其中一项拿到了 39.8 的高分，领先 Qwen-Image 等模型。这说明在处理高难度、高密度信息转化为图表时，SenseNova U1 具备行业领先的逻辑重组能力。

在文字渲染（Text Rendering）这一维度下，SenseNova U1 Lite 的成绩几乎全面领先。AI 生图最怕文字崩坏，这一测试结果证明了 SenseNova U1 Lite 在视觉化文字上的精准度。

视觉推理是 AI 最容易「翻车」的地方，因为它要求模型不仅要看懂图像，还要进行复杂的逻辑推理。SenseNova U1 （VBVR (UMM) 得分）拿到了 60.5 的高分，超过对比模型（如 Nano-Banana 的 49.6）。这意味着在处理复杂的视觉关系推理时，它比同类模型表现得更加「聪明」。

在 WISE 维度上取得了 69.0 的优异成绩，领先于 Qwen-Image（63.0）以及其他一众模型。这表明在执行基于人类意图的视觉修改时，它对「指令」的解析与「像素」的操控结合得更加紧密。

GEdit-Bench 得分 7.47，在同量级开源模型中处于顶尖位置，甚至优于一些参数规模更大的闭源替代方案。

实测后发现，这才是你急需的提效利器

光看榜单当然不过瘾。

SenseNova U1 Lite 在业内首个实现连续性的图文创作输出

传统模型的工作方式是：先用文字把问题想清楚，再调用外部工具把图生出来，这是两个步骤，两套系统，中间还有中间商负责牵线。SenseNova U1 Lite 打破的，正是这道墙，它能在同一套推理过程中，让图像和文字同步生长，示意图、流程图、草图，在它推理的同时就已经出现了，而不是等推理结束后再配上去。

我们来看几个实际效果。

让它生成一幅小白兔和大灰狼的故事连环画。

从结果可以看出，SenseNova U1 Lite 可以一边推进故事情节，一边同步生成对应场景的插图，图和文本来自同一套思维过程，逻辑连贯、风格统一。

想学习电影运镜，也可以向 SenseNova U1 Lite 提问，它会把文字解释和视觉图同步给你，并且保持人物角色的高度一致性。这比单纯的文字教程好懂得多，也比纯图示来得有逻辑。

这种带图思考的能力，正是 SenseNova U1 的原生图文理解生成能力。它能把图像与文本从底层进行融合，实现高效、连贯的思考和图文交错输出。不但效率高，也更接近人类的理解与表达模式。

我们还用 SenseNova U1 Lite 尝试了复杂高密度信息图（infographic）的生成

信息图要解决的是一个真实的表达困境：一篇论文、一份研报、一个操作流程、一个知识点，原始形态往往密度过高、结构不清，大多数人看到就想关掉。而一张好的信息图，能把同样的内容重新组织，让读者在几秒钟内抓住核心。

首先，我们让模型生成了一张适合可爱女生的短发造型信息图，SenseNova U1 Lite 完成度依然在线。

在接下来的案例中，SenseNova U1 Lite 生成的占星术与塔罗牌占卜图片风格华丽，充满了神秘主义元素，如果你对星座感兴趣，不放也试着做一份属于自己的星座图。

读不下去的论文，交给它。

最近，谷歌 DeepMind 发布了一篇颇受关注的论文《Image Generators are Generalist Vision Learners》，内容密度高，需要反复阅读才能理清脉络。我们把摘要丢给 SenseNova U1 Lite，让它生成一份图解。它不只是把文字重新排了一遍，而是真正提取出了论文的核心主张、方法逻辑和关键结论，用更直观的视觉结构把这些内容呈现出来，让一篇需要沉下心来读的学术文章，变得可以快速上手。

论文地址：https://arxiv.org/abs/2604.20329v1

接着，我们又换了一个完全不同的题材：让模型生成一张「武侠江湖禁忌」信息图。

这类内容看似轻松，其实很考验模型的结构化表达能力。因为它既要有江湖味，又要让读者一眼看懂规则。

SenseNova U1 Lite 的完成效果依然很有意思。它把江湖禁忌拆成了几个清晰板块：比如勿偷学武功，勿背后放冷箭暗器等。

金庸江湖生存指南：

接下来，我们又让模型生成了一张「柠檬的万能指南」信息图。SenseNova U1 Lite 的处理方式比较聪明。它把柠檬的用途拆成了几个清晰模块：烹饪、家居清洁、心身疗愈。

生成詹姆斯 · 乔治 · 弗雷泽名著「金枝」（The Golden Bough）信息图：

刺绣入门指南：

城市明信片：

从以上结果可以看出，对于高信息密度场景，SenseNova U1 Lite 处理起来相当游刃有余。

高效统一架构，让小模型跑出大模型效果

看完这些效果，一个问题自然会浮现：它为什么能做到这些？

过去，多模态 AI 几乎被一个固定范式所统治：视觉编码器负责感知理解，把图像压缩成特征向量喂给语言模型；变分自编码器负责生成图像，把语言模型的意图解码成像素。两套系统各司其职，看似分工明确，却在理解与生成之间埋下了一道天然的断层。

问题出在压缩这个动作上。视觉编码器把图像变成特征向量，本质是一次有损的信息筛选，它预先决定了哪些视觉细节值得保留、哪些可以舍弃。而这个决定，早在模型真正开始思考之前就已经做完了。生成侧同样如此：解码器只能从语言模型的理解结果中重建图像，而不是从原始像素出发。两端都在用二手信息工作，断层由此而来。

这种路线并不是没有价值。相反，它是过去几年多模态模型快速发展的重要基础。但它的问题也很明显：每多经过一个模块，信息就多一次转换；每多一次转换，就可能带来一次损耗。尤其是图像这种信息密度很高的模态，一旦被过度压缩，细节、空间关系、局部结构都可能被弱化。到了生成阶段，模型再想把这些信息完整还原出来，就会变得更困难。

这也是为什么很多多模态模型会出现一种割裂感：它可能能说清楚图里有什么，却不一定能准确画出复杂结构；它可能能生成一张好看的图片，却不一定真正理解文字里的逻辑关系；它也可能能完成单张图生成，但一旦要求连续输出多张风格一致、逻辑连贯的图文内容，就容易出现前后不一致、细节漂移、版式混乱等问题。

SenseNova U1 Lite 的答案，是一套叫做 NEO-Unify 的原生多模态架构，解决这种理解和生成之间的断层

其思路是把这些原本分开的环节尽可能收拢到一个统一架构里。它不再把视觉和语言当成两个需要互相翻译的系统，而是让图像信息和文本信息在同一个内部空间中共同参与计算。这样一来，模型处理图文任务时，不需要在看图系统、语言系统、生成系统之间来回传递，而是可以在同一套模型内部完成感知、理解、推理和表达。

这样做带来的第一个好处，是信息路径更短。

传统架构里，模型完成一次复杂图文任务，可能要经历看图 — 理解 — 规划 — 生成 — 修正等多个阶段，而且每个阶段之间都存在对齐成本。SenseNova U1 Lite 的统一架构则更像是把这些环节压缩进同一个大脑里，让模型可以一边理解内容，一边组织画面，一边保持语义和视觉的一致性。少了中间转译，模型就能把更多计算用于真正的理解和生成，而不是消耗在模块之间的衔接上。

第二个好处，是效率更高。

通过架构上的统一，减少不必要的信息损耗和流程开销，让较小规模的模型也能释放出更高的有效能力。

这也是 SenseNova-U1-8B-MoT 值得单独拿出来看的原因。8B 级别的模型规模并不算大，但它在图像生成、图像编辑、复杂信息图、视觉推理等任务中，能够接近甚至追上部分大型商业模型。背后的关键，并不是简单小参数逆袭大模型，而是统一架构让计算利用率更高，模型不需要花太多能力去弥补模块割裂带来的损耗。

这可以通过一些实验结果来说明：

如下图所示，SenseNova-U1-8B-MoT 位于相当靠左的位置，延迟大约只有 15 秒 / 2K 图，是所有对比模型中生成速度最突出的一个。同时，它的平均得分接近 67 分，已经进入主流商业模型所在的中高分区间。

这意味着，SenseNova-U1-8B-MoT 的优势主要体现在效率上：它没有依赖更长的生成时间去换取性能，而是在低延迟条件下保持了较高的生成质量。相比一些得分更高但耗时达到 30 秒、70 秒甚至更久的商业模型，它更接近实际生产中需要的状态，快速出图、质量可用、响应稳定。

换句话说，如果只看最高分，GPT-Image-2.0、Nano Banana Pro 等模型仍然处在第一梯队；但如果把速度也纳入考量，SenseNova-U1-8B-MoT 的位置就变得非常突出。它用更短的时间完成了接近主流商业模型的生成效果，体现出很强的单位时间产出能力。