28日，商汤科技正式发布并开源日日新SenseNova U1系列原生理解生成统一模型。它基于商汤于今年三月自主研发的 NEO-unify架构，在单一模型架构上统一了多模态理解、推理与生成。

SenseNova U1在业内首次实现连续性的图文创作输出 受访者 供图

SenseNova U1系列模型能够将语言与视觉信息作为统一的复合体直接建模，实现语言和视觉信息的高效协同，让理解与生成能力同步增强，在保留语义丰富度的同时，维持像素级的视觉保真度。

在逻辑推理与空间智能等方向上，它能够深度理解物理世界的复杂布局与精细关系；在未来，它还能为机器人提供具身大脑，实现在单一模型闭环内完成从复杂环境感知、逻辑推演到精准任务执行的全过程。

效率，是统一模型架构的核心技术优势。传统多模态模型是把视觉编码器和语言骨干通过适配器拼接在一起的。它像一个“说不同语言的人组成的工作组”：有人专门看图，把图像翻译为语言，有人专门理解文字，进行推理，有人把结果再翻译为设计指令，把图画出来。每完成一次任务，信息都要在不同成员之间来回传递。这个过程虽然可行，但难免会有等待、误解和信息损耗。为了弥补这些损耗，模型往往需要做得更大才能达到好的效果。

SenseNova U1是基于统一表征空间构建的，更像是一个从一开始就同时掌握多项技能的人。它不是先看懂图像、再翻译成文字、再交给另一个系统理解，而是在同一套“思考方式”里直接处理图像、文字等不同信息。图像和语言不再是两套系统之间的接力，而是在同一个大脑中自然融合。这样带来的好处是：信息流转更快捷，理解更直接，生成更高效。模型不需要依赖单纯堆大参数来弥补中间转换的损耗，而是通过统一的内部表征，把不同模态的信息以更紧凑、更高密度的方式组织起来。

简单来说，传统架构像是“多人协作、层层转述”；SenseNova U1 更像是“一个全能大脑，直接理解，直接表达”。少了中间转译，信息损耗更低，也能在相对更精简的模型规模下，实现更强的多模态理解与生成能力。

在涵盖图像理解、图像生成与编辑、空间智能和视觉推理的多项基准测试中，SenseNova U1 Lite均达到同量级开源模型SOTA水平，为统一多模态理解与生成树立了新的标杆。甚至仅凭8B-MoT的较小规格，就能达到甚至超越部分大型商业闭源模型。

南方+记者  郜小平