商汤发布SenseNova U1 Pro：8K直出与交付级AI生图的博弈
事件概要
在世界人工智能大会（WAIC）上，商汤科技正式发布下一代多模态基座模型——日日新SenseNova-U1 Pro。商汤科技董事长兼 CEO 徐立在现场揭晓了一幅为 WAIC 九周年特制的 8K 东方城市长卷《智会世图》，该作品由 U1 Pro 直接生成。
此次发布的核心理念是"交付"而非单纯的"生成"。商汤科技联合创始人、首席科学家林达华将其定位为"创作模型"，强调从"能生成"向"能交付"的跨越。
技术架构：NEO-unify 统一理解与生成
U1 Pro 采用商汤自研的理解生成统一架构 NEO-unify，其核心特征包括：
- 统一 Transformer：砍掉了传统多模态架构中 VE（视觉编码，负责理解）和 VAE（变分自编码器，负责生成）两个独立组件，让理解、生成、行动共用同一套表征和计算。
- 自回归序列：生成过程中没有专门的调度器指挥，模型一路预测下一个 token，自行判断何时输出图像 token。文字和图像始终跑在同一条自回归序列上。
- 效率优势：据称仅需十分之一数据即可追平顶尖 SOTA，训练和推理成本低于谷歌和 OpenAI。
商汤在今年 4 月率先发布了 SenseNova U1 轻量级开源模型，并在 5 月至 7 月间升级了 infographic-V1、V2 和 V3 等多个版本。
8K 直出：算力瓶颈的工程解法
U1 Pro 将原生分辨率提升至 8K，但面临 Transformer 注意力开销随 token 数量平方增长的挑战。商汤采用两项关键技术解决：
- 32×32 大 patch：普通生图模型使用 16×16 patch，U1 Pro 改用 32×32 大 patch 覆盖更大画面，将 token 量直接降至四分之一。
- 自适应分级噪声控制：在细节吃紧处注入更多噪声，迫使模型分配更多算力抠细节，弥补大 patch 带来的精度损失。
"图文交错思维"与 Agentic Generation Loop
U1 Pro 的创作流程被拆解为生成、编辑、局部重绘、组合等动作空间，每步操作后回看前序结果再决定下一步。这一机制被称为"图文交错思维"，背后依赖：
- 指令思维链：冷启动阶段将设计师的专业判断整理为指令思维链，让模型学会"先定版式、再铺大色、最后抠细节"的章法。
- 强化学习：使用几十维度的奖励模型对构图、文字准确度、设计美感、整体一致性打分，通过反馈迭代模型判断力。
整套流程被称为 Agentic Generation Loop，可进行数十轮长程迭代。
评测与对比
商汤邀请 200 位美院学生和设计师组成评审团，标准是"一批图里六成敢直接交给客户才算合格"。结果显示：
- 目前仅有 U1 Pro 和 GPT Image 2 两个模型能达到这一标准。
- 在文字精准度、设计感和东方细节处理上，U1 Pro 略胜一筹。
现场还展示了 U1 Pro 与 GPT Image 2 在同一提示词下的对比案例（如"麻婆豆腐"菜谱图），以及多场景生成演示，包括盛唐长安西市、民国上海电影海报、国风二次元乐队海报、商业广告、展览海报、科普信息等。
行业信号：从"像"到"能用"
商汤提出的观点是，图像生成十年走过两级台阶——先解决"像"，再解决"真"——而第三级台阶是"美"，即通过专业级设计美感达到工业交付标准。
林达华表示，SenseNova-Vision 已开源，展示了深度、遮挡、镜面、近大远小等视觉常识的学习进展，并称之为"视觉涌现"的初步迹象。其长期愿景是"Words to Worlds"，让视觉和语言真正在一个空间内融合。
U1 Pro 的未来应用方向包括通用视觉感知、空间智能、具身大脑、城市规划和建筑设计。
关键事实速查
| 项目 | 信息 |
|---|---|
| 发布时间 | WAIC 大会当天 |
| 发布方 | 商汤科技 |
| 产品名称 | 日日新 SenseNova-U1 Pro |
| 核心架构 | NEO-unify |
| 原生分辨率 | 8K |
| Patch 大小 | 32×32 |
| 数据效率 | 十分之一追平 SOTA |
| 开源历史 | 4 月发布 SenseNova U1，5-7 月升级 infographic V1-V3 |
| 评审规模 | 200 位美院学生和设计师 |
| 交付合格率 | 六成敢交客户为合格线 |
| 对标模型 | GPT Image 2 |
| 相关开源 | SenseNova-Vision |