商汤开源多模态效率怪兽8B模型性能比肩商用SOTA

当GPT-4o等模型再次成为焦点，业界的关注点也在悄然转变：仅仅“画得好”已经不够了，大家更渴望的是“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，通常被视为两套独立的系统：一个负责“看懂”世界，另一个负责“画出”世界，两者之间需要通过复杂的模块进行衔接。这种底层逻辑上的割裂，恰恰是制约模型整体效率的核心瓶颈。

商汤科技这次带来的思路，是从架构的根源上解决这个问题。

他们刚刚开源了原生理解生成统一模型——SenseNova U1。该模型基于自研的NEO-unify架构，将图像与文本的理解与生成能力统一到同一套体系之中。当“中间商”被拿掉，效率自然得到了大幅提升。

在多项图像理解与生成的基准测试中，SenseNova U1 Lite版本在同量级的开源模型中达到了SOTA水平，并且在多项关键指标上逼近了商业闭源模型的表现。它以8B的参数规模，实现了接近更大模型的能力，堪称一次漂亮的“以小搏大”。

▲高密度信息图（en）

▲高密度信息图（zh）

目前，开发者可以在Hugging Face、GitHub等平台获取其开源模型。同时，商汤的AI办公智能体“办公小浣熊3.0”也即将接入SenseNova U1，届时用户可以直接体验其相关能力。

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。它们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。

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、推理与图文交错等多个维度上，它用更小的模型规模，跑出了接近甚至比肩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成绩，例如在AI2D上达到了91.7分。结合空间理解相关测试来看，模型在复杂结构与关系判断等任务中表现稳定，展现出不错的逻辑推理能力。

在生成侧，模型在GenEval、OneIG、LongTextBench等任务中表现同样稳健，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，其平均得分达到50.7，不仅是开源模型中的最强表现，甚至媲美部分闭源商业模型。

进一步考察其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的图像生成模型。

不过，相比这些分项成绩，更关键的是它的“性能—效率比”。

对比结果显示，在信息图生成与长文本等任务中，SenseNova U1在约15秒的延迟下即可取得接近60分的平均成绩，整体呈现出“高性能、低延迟”的特点。与Qwen-Image 2.0 Pro、Seedream 4.5等模型相比，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. A veraging Performance on Infographic Benchmarks, i.e., BizGenEval (Easy, Hard), and IGenBench

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

这些性能表现的背后，核心驱动力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，其设计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具优势。

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

从测评数据来看，这种优势已经相当清晰。那么，落到真实使用场景中，SenseNova U1是否同样稳定、好用呢？我们不妨来实测一番。

二、一手实测揭秘：从立体排版到“言出法随”

我们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”职场人痛点的一项能力。用户只需输入文章、资料或文字说明，模型就能自动提炼其中的关键信息，并生成一张具备清晰结构、层级和视觉重点的信息图。

在“苏超出圈之路”这一案例中，模型生成了一张多层蛋糕式信息图。不同发展阶段以立体分层的形式呈现，文字随着结构自然分布在不同空间层级中，而非简单的平铺罗列。

这背后反映的，其实是模型对空间结构的理解能力。更关键的是，在这种复杂的立体排版下，整张图没有出现明显的文字错位、遮挡或渲染错误，整体可读性非常高。

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，体现得更为明显：哪些信息需要突出，哪些适合做成流程，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，就更能体现其在细节上的处理功力。

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。模型不仅准确呈现了“禁止模糊指令”“禁止无限重试”等核心文案，还自动匹配了对应的图标和带有情绪的画面，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相当合理，没有出现拥挤或混乱的情况，其完成度已经达到了可直接商用的水准。

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鲜明对比，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刻画得比较到位，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，即使对于非技术背景的读者也较为友好。

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，颇有点“言出法随”的意味。

在这样的生成效率下，其应用场景也相当广泛。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。对于营销、办公、设计、商业分析等场景而言，这类能力直接对应着内容生产效率的跃升。

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，这个原生统一框架究竟好在哪里？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，中间再通过不同的模块完成衔接。

理解与生成更像是两条并行的流水线，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，而是在同一套表征体系里共同参与理解、推理和生成。

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

在具体实现上，模型尽量减少中间的压缩与转换环节，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的损耗降到更低。

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：它并非单纯依靠堆叠参数规模来换取效果，而是在底层架构上重新梳理了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

不同于单纯在图像质量上内卷的模型，SenseNova U1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”能力的核心。

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。

例如在教程编写、绘本创作等场景中，它可以让文字叙事、插图风格、人物事件等保持高度的一致性与连贯性。

同时，SenseNova-U1并非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，并同步生成对应的画面。

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，它能天然地将图像和文本的底层融合信号完整地保留在上下文中，在统一的表征空间进行高效、连贯的思考。

这也让它与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。

如果继续往后展望，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”尚有距离，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能力边界时，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，或许是一个“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。