國產AI新突破！商湯開源“原生理解生成統一模型”，告別“拼接式”多模態

昨天（28日）夜間，商湯科技正式發布并開源“日日新SenseNova U1”系列原生理解生成統一模型。它基于商湯今年3月自主研發的NEO-unify架構，首次在單一模型架構上實現多模態理解、推理與生成的統一，標志著從“模態集成”向“原生統一”的范式跨越。

新民晚報記者了解到，NEO-unify架構徹底摒棄了主流的拼接式設計，去除了視覺編碼器（VE）和變分自編碼器（VAE），重新構建了統一的表征空間，并將統一表征深入融入模型的每一層計算中。SenseNova U1能夠將語言與視覺信息作為一個復合體直接建模，實現二者高效協同，讓理解與生成能力同步增強，在保留語義豐富度的同時維持像素級的視覺保真度。

在邏輯推理與空間智能方面，該模型能夠深度理解物理世界的復雜布局與精細關系。未來，它還可為機器人提供“具身大腦”，在單一模型閉環內完成從復雜環境感知、邏輯推演到精準任務執行的全過程。

本次開源發布的是SenseNova U1的輕量版系列——SenseNova U1 Lite，包含兩個不同規格的模型：SenseNova-U1-8B-MoT（基于稠密骨干網絡）和SenseNova-U1-A3B-MoT（基于混合專家MoE骨干網絡）。相關代碼與模型已上線GitHub和Hugging Face平臺，商湯表示將于近期公布詳細技術報告。

效率優勢顯著：小模型達到商用級水準

效率，是統一模型架構的核心技術優勢。

傳統多模態模型通過將視覺編碼器與語言骨干用適配器拼接，類似于一個“多人協作、層層轉述”的工作組，信息在不同模塊間傳遞容易出現損耗和延遲。而SenseNova U1基于統一表征空間構建，如同一個“全能大腦”，在同一套思考方式中直接處理圖像、文字等不同信息，避免了中間轉譯帶來的信息損失，從而以更緊湊、更高密度的方式組織多模態數據。

圖像理解基準測試結果、圖像生成基準測試結果、視覺推理基準測試結果

實驗結果顯示，在涵蓋圖像理解、圖像生成與編輯、空間智能和視覺推理的多項基準測試中，SenseNova U1 Lite均達到同量級開源模型的SOTA（最先進水平）。僅憑8B-MoT的較小規格，就能達到甚至超越部分大型商業閉源模型。在通用圖像生成測試中，其生成質量比肩Qwen-Image 2.0 Pro或Seedream 4.5等大型閉源模型，同時推理響應速度具有顯著優勢；在開源模型長期表現不佳的復雜信息圖生成任務中，也展現出商業級水準，對排版和文字具備強控制力。

SenseNova U1 Lite的商業級復雜信息圖生成能力

商湯科技表示，正沿著當前技術路徑繼續“規?；保媱澪磥硗瞥鲶w量更大的模型?；诟咝У脑軜?，有望以遠低于傳統方案的計算成本達到國際頂尖模型水平。

業內首創：連續性圖文創作輸出

憑借NEO-Unify架構，SenseNova U1在業內首個實現連續性的圖文創作輸出，并且僅需單次單模型調用即可完成。傳統方法往往需要多模型串聯，勉強實現圖文交替，且圖像間風格一致性差。而SenseNova U1將圖像和文本底層融合信號完整保留在上下文中，在統一表征空間進行高效連貫思考。

在演示案例中，模型可根據“五分熟牛排做法”任務，自主規劃分步過程并為每一步生成對應的圖像，各步驟圖示表現出極高的一致性。在“繪制鋼鐵俠圖案”任務中，模型能夠從掃描草稿出發，逐步連續創作，最終輸出完成度很高的圖像，每一步創作都精準保持了前一步的結構與細節。

（左）五分熟牛排做法：SenseNova U1 可以通過思考和規劃產生分步的過程，并且給每一步輸出對應的圖像展示。各個步驟的圖示表現出極高的一致性；（右）任務二：繪制一個鋼鐵俠圖案：它可以從掃描草稿出發，逐步進行連續創作，最終做出一個完成度很高的圖像。每一步創作的過程對于前一步的結構和細節都做了精準的保持——一個統一表征的共享上下文在其中發揮了關作用。

商湯科技向新民晚報記者表示，這一能力將為人機協作、創意設計、智能教育等領域打開新的應用空間，也為上海AI產業的原生多模態技術發展提供重要基礎與關鍵引擎。

【開源部署】【調用 SenseNova U1 Skill】

原標題：《國產AI新突破！商湯開源“原生理解生成統一模型”，告別“拼接式”多模態》

欄目編輯：馬丹

來源：作者：新民晚報 郜陽