浏览次数： 时间：2026-06-23 19:25:01
中文海报、复古杂志封面、直播画面、社交截图、连高考试卷都能照着出一张几乎以假乱真的。
但实际上上手你就会有同感：免费用户一天几张，抽卡次数有限，遇到稍微严肃点的活，额度马上到顶，常常是活没干完，次数没了。
针对这一空档，商汤刚刚开源了一个全新架构的理解生成统一模型SenseNova-U1，虽然小尺寸版本只有8B，却能复刻不少GPT-Image-2的拿手绝活。
太阳系图解，八大行星各自的轨道、属性、图文介绍一应俱全，看着挺像那么回事。
画个钢铁侠，模型也能自动买球入口股份有限公司从轮廓、铺色、细节、质感、氛围等多个阶段拆解完整的绘画流程。
这几个曾经被公认是AI生图最难啃的硬骨头，U1能跟GPT-Image-2挤进一桌。
在具体的图像理解与生成的多项指标上，SenseNova-U1也是登顶开源模型的榜首。
所谓连续性图文创作，就是文字和图片在一段输出里自然交叠，而不是文字归文字、图片归图片。
这听起来很简单，但实际上很难。因为文字保留语义、图片保留像素细节，这两件事在传统架构里几乎是天敌——
U1的做法是让两者在同一个表征空间里共享上下文，语义丰富性和像素级视觉保真度第一次同时拿住。
简单讲，就是模型能像人一样，边思考边画草图，文字和图片在一段输出里自然交叠。
比如，我让它生成一个“煎牛排的操作教学”。它能从食材准备，沥干水分、调味、煎制和翻面……讲到最后装盘。
每一步的关键操作都有图，牛排的形象从生肉到五分熟一路保持高度一致，不会画着画着变成另一块肉。
它能直接给我吐出图文并茂的教材式段落，从准备阶段、镜头建立、再到引入道具、次要角色一应俱全，比纯文字解释直观得多。
传统范式得在多个模型之间来回调用，各画各的，角色形象很容易在第三步就走样。U1是单次单模型调用直接出全套。
在模型界面中，你可以直接输入“自己的简历信息”，它就能返回你一张手绘风格的海报，信息分布、配色、字体层级都安排得明明白白。
让它讲“三只小猪盖房子”，我输入只有这么“7个字”，输出就能直接给你一整组连环画——
三只小猪、三种材料、三栋房子、最后那只大灰狼，一格一格排好，顺序对得上故事。
在讲究排版、涉及多种元素的插画场景中，U1也能实现比较精细的效果，比如这张划船乐的教学总览图。
最有意思的是这个，扔给它一张路边常见的“电梯安全”警示牌，让它换个排版做成一张信息图。
前段时间火爆的产品爆炸图，在U1这里也可以做到。一台相机，被它拆得整整齐齐：
镜头组、反光镜、快门、传感器、芯片，电池什么的，统统被它拆得整整齐齐悬浮在空中，标注线一根不少。
这种程度的玩法，以前是超大参数模型的专属。更有意思的一点是，SenseNova U1 Lite还在行业首创了图文交错的思维链。
我扔给它一张刚泡好的玻璃杯热茶，让它“画出一小时后的样子”。它没有简单地直接出图，而是先做了一段推理：
一是给自己定约束，同一只玻璃杯、同一张原木桌面、同一种侧逆光，这样两张图放一起才看得出“是同一杯茶过了一小时”。
二是推导物理：刚泡时，叶片高速舒展、气泡从叶脉逸出、蒸汽在杯壁上留下弧形折射；
一小时后，多酚类扩散均匀，茶汤变深红褐，叶子完全沉降呈半透明，杯底跟桌面交界处出冷凝痕迹。光影也跟着从“清晨的清冷”过到“午后的慵懒”。
给它一个绿色的香蕉，模型会先推理“叶绿素分解+糖化”，从而保证输出的是一根带着斑点的成熟香蕉。
U1的底层是一套叫NEO-unify的架构。一个模型同时会看、会画，理解和生成在同一个网络里完成，中间没有任何拼接。
在过去，多模态模型的标配经常是这样的，视觉编码器（VE）负责看，变分自编码器（VAE）负责画，理解归理解，生成归生成，中间靠适配器拼起来。
NEO-unify把这两个东西都拿掉了，不需要VE，不需要VAE，模型直接吃像素，直接吐像素。
第三步，文本走自回归，视觉走像素流匹配，两套目标函数在同一个学习框架里跑完。
传统模型要做这件事，得外挂工具或者后处理拼接。U1底层就是统一的，原生支持图片和文字的交叉排版，所有视觉内容都来自模型自身，不调用外部工具。
模型在思考一个问题的时候，可以一边推理一边生成中间示意图，把复杂逻辑可视化。
此外，商汤还给U1配了一套自研推理栈，LightLLM跑理解、LightX2V跑生成，两条路解耦各管各的。以H100/H200单节点为例，生成一张2048×2048的图，端到端大概9秒。
上下文最长32K、人物在复杂场景里的细节有时不够稳、长文字渲染偶尔会出现拼写或排版错误、连续性图文创作目前还是beta。
为了方便大家使用，商汤这次顺手开源了一套SenseNova-Skills技能包，把U1做成了Agent里能直接调的工具。
Skills不只是infographic一个，整套覆盖图像生成、PPT制作、Excel数据分析、深度研究、跨平台搜索。
4373558400