K8凯发(中国)天生赢家·一触即发

GPT-Image-2平替!最强开源生图模型来了
栏目:k8凯发集团 发布时间:2026-05-01
 【新智元导读】GPT Image 2之后,最强开源生图模型来了!SenseNova U1正式开源,原生统一理解和生成。它不仅能看懂图,更能「边想边画」,实现连续图文创作输出。这才是通往AGI的正确姿势。  上一周,OpenAI正式亮出的GPT Image 2,直接让全网目瞪口呆。  不论是带货的直播间、90年代怀旧照片,还是复杂烧脑的知识图,各种神仙级demo正在刷屏。  短短几天,国内大厂商

  【新智元导读】GPT Image 2之后,最强开源生图模型来了!SenseNova U1正式开源,原生统一理解和生成。它不仅能看懂图,更能「边想边画」,实现连续图文创作输出。这才是通往AGI的正确姿势。

  上一周,OpenAI正式亮出的GPT Image 2,直接让全网目瞪口呆。

  不论是带货的直播间、90年代怀旧照片,还是复杂烧脑的知识图,各种神仙级demo正在刷屏。

  短短几天,国内大厂商汤快速反击,亮出了一张全新的底牌:多模态理解生成模型SenseNova U1。

  其核心突破便在于,通过自研「单一模型架构」NEO-Unify,实现了理解、推理、生成的统一。

  目前,SenseNova U1已在GitHub上全面开源,一大批网友已经开始整花活了。

  就连来自Hugging Face、MLS超级智能体实验室等AI大佬纷纷围观和点赞。

  这一次,开源的是SenseNova U1 Lite轻量版系列,一共包含了两个不同规格的模型:

  多项基准测试中,U1 Lite爆发出全维度的统治力,达到了同量级开源的SOTA水平。

  首先,我们来试一下U1的拿手好戏——连续图文创作输出,它依托于商汤首创的图文交错思维链技术。

  令人惊艳的是,在思考的过程中,U1将繁复的建筑美学解构得淋漓尽致,更像是一个拥有深度空间思维的「建筑师」。

  但在这个Demo中,从简练轮廓到华丽成品,建筑的主体结构、飞扶壁的数量、甚至玫瑰窗的格栅纹路,都保持了近乎完美的物理对齐。

  再比如,一句简单的提示:在海边悬崖上设计一栋图书馆,并且实现多角度呈现。

  五个视角,五段文字,五张图,严格交替、逻辑递进——从外到内、从结构到氛围、从白天到黄昏,每一步「想」的内容都直接「画」了出来。

  思考和视觉表达同步展开,文字为图像提供设计意图,图像为文字提供视觉验证,二者互为因果。

  而且最惊艳的是五张图之间的风格自洽性——建筑形态、材质语言、色彩体系高度统一,明显是在同一个「设计概念」下生成的。

  可以看出,四格分镜的叙事节奏精准到位——从赛博废墟中的孤灯、到机器人围观老人读书的荒诞温情、再到泪落书页的微观特写、最后拉到地平线长队的宏大收束,情绪层层递进。

  这恰恰得益于,SenseNova U1具备的原生图文理解生成的能力,天然把图像和文本底层融合信号完整地保留上下文中。

  更值得注意的是,U1连续图文创作输出的深度,在每格之间自发补充了大量叙事细节:「静默之塔」的命名、指尖划过岁月痕迹的动作、晶莹泪珠与泛黄书页的对比——

  这些文字本身就构成了一部微型科幻小说,图像则精准地将文字中的情感峰值可视化。

  它的每一步创作,通过共享上下文实现了统一表征,从而确保了前后环节在结构、细节上的高度一致。

  甚至,UI还可以帮你用「图文」方式,解释生活中一些问题,直观又有让人想看下去的欲望。

  最后,再来一个抽象、高难度的命题——帮我把「孤独」画出来。要求:画面里绝对不能出现任何人物、表情、文字。

  SenseNova U1会先思考,再搜索需要的信息,最后把这句简单的提示词扩写。

  下面这个demo中,简单一句话:水循环的奇妙旅程。U1在思考的过程中,开始搜索、汇总相关信息。

  它再次证明了U1在处理复杂、高密度信息的强大能力,复刻了地理学上的所有关键节点——太阳辐射、蒸发、凝结、输送、降水、径流。

  从营养成分、健康益处到食用建议,三大板块的信息密度拉满,直接发到小红书就是完整的推文素材。

  它可以通过分镜的形式,将信息用独特的视觉语言传递出来,如下便是一个关于职业转型的波普漫画。

  这张图简直就是视觉和逻辑的双重炸弹,AI对高密度信息的处理能力在这里得到了极致体现。

  一个是乐高环球早餐图,把每一个国家:日本、墨西哥、英国、土耳其、巴西、印度标志性食物精准还原,并将其重构为乐高积木,有趣还有传播价值。

  另一个是咖啡百科信息图,从历史发展、冲煮科学、面临挑战,将三大知识板块全部融入了一张图中。

  U1实测表现固然惊艳,但还需回答一个根本问题:为什么一个小参数尺寸的模型能做到这些?

  当前多模态AI模型的主流做法是「拼积木」:用一个视觉编码器(VE)负责「看」,用一个变分自编码器(VAE)负责「画」,中间再接一个大语言模型负责「想」。

  VE把图像压缩成语义特征时,不可避免地丢失了像素级细节;VAE在生成图像时,又得从语义空间重新「猜」回视觉细节。

  理解和生成走的是两条路,模型永远在做「翻译」,而不是真正「理解了再画」。

  它从第一性原理出发,基于一个核心假设——语言和视觉信息本质上是内在关联的,应该被作为统一复合体直接建模。

  打个比方,传统架构像是一个团队里有翻译——视觉信息先被翻译成「语言能懂的格式」,处理完再翻译回「图像能用的格式」。每次翻译都有信息损耗,还增加了沟通成本。

  NEO-Unify则像是一个天生双语的人,从一开始就同时用视觉和语言思考,不需要翻译这个中间环节。

  采用原生混合Transformer(MoT)架构,让理解分支和生成分支在同一个骨干网络内协同工作;

  文本采用自回归交叉熵目标,视觉通过像素流匹配进行优化,二者在统一学习框架下联合训练。

  实验证实了一个关键发现,即使冻结理解分支,独立的生成分支依然能从统一表征中恢复细粒度的视觉细节。

  这意味着NEO-Unify的统一表征确实同时保留了语义丰富性和像素级保真度。这在以前,被认为是鱼和熊掌不可兼得的。

  经过刚才的实测,我们已见识到了NEO-unify架构加持下,SenseNova U1连续图文创作输出的杀手级能力。

  在多个信息图生成基准上,SenseNova U1的生成质量乱杀其他开源模型,甚至可以媲美Qwen-Image 2.0 Pro、Seedream 4.5等闭源模型,并在推理延迟上有明显优势。

  就在一周前,GPT-Image-2(ChatGPT Images 2.0)横空出世,以近乎完美的文字渲染、多轮编辑和推理驱动的生成。

  但GPT-Image-2本质上仍然是一个「生图专用模型」,它的核心能力是根据文字指令生成高质量图像。

  生图只是它能力谱的一部分;它同时具备图像理解、视觉推理、图文交错思考、信息图生成等全维度能力,而且这些能力来自同一个架构、同一次训练、同一个模型。

  对于那些需要私有化部署、需要深度定制、需要把多模态能力嵌入自己产品的开发者来说,U1提供了一条GPT-Image-2无法提供的路。

  站远一步看,GPT-Image-2引爆的「生图大战」,本质上还是在模态割裂的范式里卷——比谁的文字渲染更准、比谁的分辨率更高、比谁的风格更多样。

  真正的AGI不会是一堆专用模块的拼接——人类的大脑不是「语言区负责想、视觉区负责看、运动区负责画」三个独立系统的机械组合,而是一个高度统一的认知体。

  NEO-Unify是第一个真正意义上「全扔掉」的原生统一架构,这让它在学术和工程两个维度上都具有独特的坐标价值。

  对于关注多模态统一范式前沿的研究者来说,U1的开源提供了第一个可以实际上手跑的原生统一模型。

  商汤在U1发布时明确表示:当前开源的U1 Lite是轻量版,团队正在沿着NEO-Unify架构继续Scale,更大参数规模的模型将在后续推出。

  他们的信念是,基于高效的原生架构,可以用低得多的计算成本达到国际顶尖模型的水平。

  这句线B已经打到了开源SOTA,当参数量Scale到几十B甚至更大时,NEO-Unify的架构红利会更加显著。多模态AI正在经历一场「从拼接到统一」的范式迁移。

  U1的全球开源,是这条路上的第一步——但从今天的效果来看,这一步已经走得足够扎实。

  男子将24岁女孩撞成高位截瘫,得知要赔200万,灵机一动将名下2套房过户给女儿,女孩去要钱,男子:要钱没有,要命一条!

  13-11进4强!名将创3纪录冲大满贯,巫师7-9,萝卜重蹈火箭覆辙?

  青岛男篮加时不敌山西,米奇30+22段昂君21+6+4,王奕博关键失误

  浙江力克宁波总分1-0:程帅澎14分伤退 约翰逊13+7+4帽超杨瀚森

  Counterpoint:到2030年,预计近半数智能手机将支持卫星连接

  Google Pixel 11 系列曝光 Tensor G6 芯片规格首次泄露

  极米推出X50 Ultra / Max投影仪,15499-19499元