商湯發佈並開源 SenseNova-Vision 理解生成統一視覺大模型，能力超越 Vision Banana

商湯科技今日正式發表並全面開源「日日新 SenseNova-Vision 理解生成統一視覺大模型」，這是商湯日日新大模型體系在視覺能力上的重大升級。不同於過去業界常見的「統一視覺」做法——將檢測、分割、深度預測等多個專家模型簡單打包封裝，本質上仍是各自獨立的系統——SenseNova-Vision 從根本上改變了視覺模型的設計思維，讓視覺成為通用基礎模型的原生能力，徹底融入大模型體系。這項變革使得所有經典視覺任務，包括目標檢測、圖像分割、深度預測、3D 重建等，都在同一個模型中實現真正的原生統一。

在多項權威評測中，SenseNova-Vision 以單一模型在四大核心視覺領域大範圍領跑，表現比肩甚至超越各領域的專用專家模型。在結構化視覺理解方面，該模型在目標檢測、指代檢測（Referring）、光學字元辨識（OCR）、關鍵點定位等任務上全面領先同類型通用模型，尤其在稠密小目標檢測與長尾類別識別等複雜場景中表現格外突出。稠密幾何預測領域，SenseNova-Vision 的深度估計與表面法向（Surface Normal）估計精度已達到幾何專用模型的水準，無論在室內或室外多樣場景下都能維持極高的穩定性。

在分割能力上，SenseNova-Vision 涵蓋通用分割、推理分割、交互式分割等多種模式。得益於其強大的多模態理解能力，該模型在推理分割（Reasoning Segmentation）與對話式分割（GCG Segmentation）的表現令人驚豔，能根據使用者輸入的語言指令或對話內容精準完成分割任務。此外，在多視角 3D 幾何方面，SenseNova-Vision 僅透過單一模型即可高品質完成多視角點雲重建與相機位姿估計，性能在通用視覺路線中處於領先位置。商湯在橫向對比中進一步凸顯了 SenseNova-Vision 的優勢。

對比語義導向模型（如 Youtu-VL 等），SenseNova-Vision 在檢測、分割、深度等對細節要求極高的視覺任務上實現全面領先；對比生成導向模型（如 Vision Banana 等），則展現出全面的代際優勢。在核心指標上，SenseNova-Vision 在各項權威評測的硬核對決中，絕大多數指標均超越 Vision Banana，並且具備更強的多任務泛化實力。例如，Vision Banana 僅能應對四大核心板塊中的「兩類」問題，而 SenseNova-Vision 能同時將結構化理解、稠密幾何、全景分割、多視角 3D 等全任務一網打盡。

更重要的是，SenseNova-Vision 不僅在效能上實現突破，更採取全面開源策略，模型與數據均對外開放。商湯同步開源了包含五千萬條樣本的視覺指令語料庫 SenseNova-Vision Corpus-50M，為學術界與產業界提供豐富的訓練資源。這項開源舉措有望加速視覺基礎模型的社群發展與應用落地，降低開發者自建模型的门槛。商湯也預告，未來將把 SenseNova-Vision 的核心技術全面融入日日新 U 系列大模型中，進一步強化商湯在通用人工智慧領域的佈局。

業界分析指出，傳統的統一視覺模型多採用「拼湊」方式，將不同任務的專用模型以模組化方式組合，雖然也能處理多種任務，但模型之間缺乏真正的共享表徵，導致效率與泛化能力受限。SenseNova-Vision 則從模型架構層級實現原生統一，讓視覺理解與生成能力在同一基礎模型中同步學習與推理，這種設計不僅減少冗餘參數，也提升跨任務的知識遷移效果。商湯的技術文件也顯示，該模型在訓練過程中整合大量多模態數據，使模型能夠同時捕捉視覺語義與幾何結構，從而達成比擬專用模型的高精度。對於此次開源，商湯強調這並非一次性的模型釋出，而是希望建立一個開放、協作的視覺基礎模型生態。

透過公開模型權重、訓練代碼與大規模標註數據，開發者可以直接下載使用，或依據自身需求進行微調。商湯也提供了完整的開源地址（GitHub 上的 OpenSenseNova 組織），讓使用者能夠快速上手。此舉呼應了當前人工智慧領域開源與共創的趨勢，預期將吸引更多研究機構與企業參與視覺基礎模型的改進與應用。從市場角度來看，商湯選擇在此時推出 SenseNova-Vision，並直接與 Vision Banana 等競品進行正面對比，展現出強烈的技術自信。過去幾年，視覺基礎模型領域競爭激烈，各家廠商紛紛推出自家統一模型，但實際效能與通用性仍有落差。

商湯此次提出的「原生統一」架構，不僅在評測數據上取得領先，更將開源作為核心策略，試圖透過社群力量加速技術迭代。業界人士認為，SenseNova-Vision 的發布有望重新定義視覺基礎模型的標準，並推動更多應用場景如自動駕駛、機器人、醫療影像、工業檢測等領域的升級。商湯日日新大模型體系自推出以來，持續在多模態、語言、視覺等方向進行整合與升級。SenseNova-Vision 作為視覺能力的旗艦模型，其開源也意味著商湯對技術開放度的重視。未來，隨著該模型融入日日新 U 系列，商湯的整體大模型能力將進一步強化，為企業級客戶與開發者提供更全面的 AI 解決方案。

此次發布不僅是技術里程碑，也可能影響整個 AI 視覺市場的競爭格局。值得注意的是，商湯同時發布的視覺指令語料庫 SenseNova-Vision Corpus-50M 同樣具有重要價值。該數據庫包含五千萬條樣本，涵蓋多種視覺任務的指令與對應輸出，能夠有效支援多模態模型的指令微調。這項數據資源的開源，對於缺乏高品質標註數據的中小型團隊而言，將是極大的助力，也有助於標準化視覺模型的評測與比較。整體而言，商湯 SenseNova-Vision 的發布與開源，標誌著視覺基礎模型從「多模型拼裝」正式邁向「原生統一」的新階段。

其在結構化理解、稠密幾何、分割與 3D 重建等核心領域的全面領先，以及對 Vision Banana 等競品的代際超越，展現出商湯在視覺 AI 領域的深厚技術積累。未來，隨著開源社群的參與和日日新 U 系列的整合，SenseNova-Vision 的影響力可望持續擴大，為 AI 視覺應用帶來更多可能性。