< img id=”wx_img” src=” width=”400″ height=”400″>
全网开源，即刻可用
henry 发自 凹非寺
最近社交媒体上，GPT-Image-2生成的作品随处可见，中文海报、复古杂志、直播画面甚至高考试卷都能做到以假乱真。大家的反应也很一致：专业设计师的饭碗可能要端不住了，普通人也能行了。
但实际体验后会发现，免费用户每天只有几张生成额度，遇到稍微正式点的项目根本不够用。商汤恰好在这个时间点开源了全新架构的理解生成统一模型SenseNova-U1，虽然小尺寸版本仅8B参数，却也能复刻不少GPT-Image-2的经典能力。
比如用U1生成一张AI快讯网的招聘海报：文字排版、色彩搭配、版式布局都挑不出明显毛病。
太阳系图解，八大行星的轨道、属性与文字介绍也安排得有条有理。
画钢铁侠时，模型会自动从轮廓、铺色、细节、质感、氛围等多个阶段拆解完整绘画流程。
马斯克太空集群信息图的审美也在线。
可以说，信息图、文字密集排版、图文交错这些AI生图曾经公认的硬骨头，U1已经能和GPT-Image-2同台竞技。
在图像理解与生成的多项指标上，SenseNova-U1也登顶开源模型榜首，推理响应速度逼近主流商用闭源模型。
在推理响应速度上也具备相当优势。
这是怎么做到的？往下看。
U1最有趣的能力是连续性图文创作，即文字和图片在同一段输出里自然交叠，而不是割裂开来。这听着简单，实际很难，因为保留语义和保留像素细节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，同时兼顾语义丰富性和像素级视觉保真度。
例如让模型生成一个“煎牛排操作教学”，它可以从食材准备到装盘，每一步的关键操作都有图，牛排状态从生肉到五分熟保持高度一致，不会画着画着变成另一块肉。
再比如学习漫画分镜技巧，它可以直接吐出图文并茂的教材式段落，比纯文字解释直观得多。
从准备阶段、镜头建立到引入道具、次要角色，一应俱全。
这种“始终是同一个主体”的连贯性看起来朴素，但对生成模型来说是个挑战。传统范式需要在多个模型之间来回调用，角色形象很容易在第三步就走样。U1单次单模型调用直接出全套。
另一个值得关注的能力是高密度信息图。在模型界面中直接输入自己的简历信息，就能返回一张手绘风格海报，信息分布、配色、字体层级都安排得明明白白。
让模型讲“三只小猪盖房子”，输入仅7个字，输出就能直接生成一整组连环画，三只小猪、三种材料、三栋房子、大灰狼，一格一格排好，顺序与故事吻合。
炒红烧肉这类做菜教程图也可以一次直出，图文对应。
给一句“做杯咖啡的英文流程图”，图也直接出来。
在讲究排版、涉及多种元素的插画场景中，U1也能实现精细效果，比如划船乐的教学总览图。
更有意思的是扔给它一张路边常见的“电梯安全”警示牌，让它换个排版做成信息图，它能完美迁移版式，从警示牌变成科普卡片。
前段时间火爆的产品爆炸图，U1也能做到。一台相机，被拆得整整齐齐，镜头组、反光镜、快门、传感器、芯片、电池等悬浮在空中，标注线一根不少。
这种玩法以前是超大参数模型的专属。更有意思的是，SenseNova U1 Lite还在行业首创了图文交错的思维链，这种推理能力放到图像编辑上更有趣。
扔给模型一张刚泡好的玻璃杯热茶，让它“画出一小时后的样子”，它会先推理物理过程：刚泡时叶片舒展、气泡逸出、蒸汽折射；一小时后茶汤变深、叶子沉降、杯底出现冷凝痕迹。然后生成符合物理规律的结果。
类似地，给一个绿色香蕉，模型会先推理“叶绿素分解+糖化”，输出一根带着斑点的成熟香蕉。
可以说，新模型不只是在改图，还具备了一定的物理常识。
那么，U1是如何实现的？其底层是一套叫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，没有任何拼接。传统多模态模型通常需要视觉编码器和变分自编码器，理解归理解，生成归生成，中间靠适配器拼起来。NEO-unify拿掉这些东西，模型直接吃像素、直接吐像素。
具体分为三步：第一步引入近似无损的视觉接口，统一输入输出表示；第二步用Mixture-of-Transformer做主干，共享理解和生成底层；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框架内跑完。
这套架构赋予了U1连续性图文创作的独门绝活。传统模型需要外挂工具或后处理拼接，而U1底层统一，原生支持图片和文字的交叉排版，所有视觉内容来自模型自身。
模型在思考问题时，可以一边推理一边生成中间示意图，把复杂逻辑可视化；生成教程时，能在恰当位置自然地插入说明图。
落地到两个规格：SenseNova-U1-8B-MoT（8B参数，端侧可跑）和SenseNova-U1-3AB-MoT（38B参数MoE架构，能力更强），底层都是NEO-unify。商汤还配了自研推理栈LightLLM和LightX2V，以H100/H200单节点为例，生成一张2048×2048的图端到端约9秒。
值得一提的是，商汤在README中明确列出了模型局限：上下文最长32K、人物复杂场景细节有时不稳、长文字渲染偶尔出错、连续性图文创作仍是beta。但这些短板均标注“持续改进中”。U1此次开源更像是一个起点而非终点。
为了方便使用，商汤还顺手开源了一套SenseNova-Skills技能包，将U1做成Agent中可直接调用的工具。sn-infographic自带87种版式、66种风格，自动评分挑选；挂进OpenClaw，一句 /skill sn-infographic “提示词”即可出图。Skills覆盖图像生成、PPT制作、Excel数据分析、深度研究、跨平台搜索等。
目前，SenseNova-U1两个模型已在Hugging Face和GitHub全网开源。想直接体验的可以进入SenseNova U1 Lite Skill，另外办公小浣熊也即将上线U1。
从行业视角看，GPT-Image-2的爆火证明了图文融合生成的需求巨大，但商业模型的算力成本和使用门槛限制了普及。商汤将8B小模型开源，并在信息图、连续创作等场景交出接近顶尖水平的答卷，意味着中小团队甚至个人开发者也能低成本获得“理解与生成统一”的能力。这可能会加速AI图像生成从“大厂玩具”向“通用工具”的演进，也让更多人有机会参与到创意生产中。当然，模型在人物细节、长文本渲染上的瑕疵仍需迭代，但开源生态的力量往往能带来意想不到的改进速度。接下来，值得关注的是U1能否像它的前辈一样，在社区中涌现出大量定制化应用。
