GPT-Image-2平替！最強開源生圖模型來了

新智元報道

編輯：桃子 犀牛

【新智元導讀】GPT Image 2之后，最強開源生圖模型來了！SenseNova U1正式開源，原生統一理解和生成。它不僅能看懂圖，更能「邊想邊畫」，實現連續圖文創作輸出。這才是通往AGI的正確姿勢。

全球AI生圖大戰正酣！

上一周，OpenAI正式亮出的GPT Image 2，直接讓全網目瞪口呆。

不論是帶貨的直播間、90年代懷舊照片，還是復雜燒腦的知識圖，各種神仙級demo正在刷屏。

別問，問就是AI生圖已進化到下一個Level了。

短短幾天，國內大廠商湯快速反擊，亮出了一張全新的底牌：多模態理解生成模型SenseNova U1。

它把「看懂圖」和「生成圖」這兩件事，塞進了同一個大腦。

其核心突破便在于，通過自研「單一模型架構」NEO-Unify，實現了理解、推理、生成的統一。

更重磅的是，它沒有藏著掖著。

目前，SenseNova U1已在GitHub上全面開源，一大批網友已經開始整花活了。

就連來自Hugging Face、MLS超級智能體實驗室等AI大佬紛紛圍觀和點贊。

一手實測，信息量巨大

這一次，開源的是SenseNova U1 Lite輕量版系列，一共包含了兩個不同規格的模型：

• SenseNova-U1-8B-MoT：基于稠密骨干網絡

• SenseNova-U1-A3B-MoT：基于MoE骨干網絡

參數看著「精煉」，但成績表現遠超預期。

多項基準測試中，U1 Lite爆發出全維度的統治力，達到了同量級開源的SOTA水平。

更令人意外的是，它在多項指標上直逼，甚至超越了部分大型商業閉源模型。

圖像理解、圖像生成、視覺推理基準測試結果

如今，SenseNova U1上線后，各路大神直呼玩得停不下來。

在正式拆解技術之前，先上真實demo，讓你直觀感受U1的能力邊界。

首先，我們來試一下U1的拿手好戲——連續圖文創作輸出，它依托于商湯首創的圖文交錯思維鏈技術。

先來看第一個demo——手繪哥特式大教堂的步驟拆解圖。

令人驚艷的是，在思考的過程中，U1將繁復的建筑美學解構得淋漓盡致，更像是一個擁有深度空間思維的「建筑師」。

過去，對于生圖AI而言，保持多張圖的一致性曾是最大的難題。

但在這個Demo中，從簡練輪廓到華麗成品，建筑的主體結構、飛扶壁的數量、甚至玫瑰窗的格柵紋路，都保持了近乎完美的物理對齊。

這種高度的一致性，讓它看起來更像是一份真正具備教學意義的連貫教案。

再比如，一句簡單的提示：在海邊懸崖上設計一棟圖書館，并且實現多角度呈現。

五個視角，五段文字，五張圖，嚴格交替、邏輯遞進——從外到內、從結構到氛圍、從白天到黃昏，每一步「想」的內容都直接「畫」了出來。

思考和視覺表達同步展開，文字為圖像提供設計意圖，圖像為文字提供視覺驗證，二者互為因果。

而且最驚艷的是五張圖之間的風格自洽性——建筑形態、材質語言、色彩體系高度統一，明顯是在同一個「設計概念」下生成的。

這就是「邊想邊畫」該有的樣子。

再來讓它生成一段漫畫故事，同樣是簡單幾句提示詞。

可以看出，四格分鏡的敘事節奏精準到位——從賽博廢墟中的孤燈、到機器人圍觀老人讀書的荒誕溫情、再到淚落書頁的微觀特寫、最后拉到地平線長隊的宏大收束，情緒層層遞進。

而且，從第一幅畫到最后一幅，人物、場景都保持了比較強的一致性。

這恰恰得益于，SenseNova U1具備的原生圖文理解生成的能力，天然把圖像和文本底層融合信號完整地保留上下文中。

更值得注意的是，U1連續圖文創作輸出的深度，在每格之間自發補充了大量敘事細節：「靜默之塔」的命名、指尖劃過歲月痕跡的動作、晶瑩淚珠與泛黃書頁的對比——

這些文字本身就構成了一部微型科幻小說，圖像則精準地將文字中的情感峰值可視化。

再讓U1生成多種藝術風格的繪畫，主體就一個狼。

看到結果瞬間被驚艷到了，浮世繪、裝飾藝術、表現主義全部呈現。

甚至，U1可以通過連續的圖文輸出，直出像PPT一樣的高維信息圖。

它的每一步創作，通過共享上下文實現了統一表征，從而確保了前后環節在結構、細節上的高度一致。

甚至，UI還可以幫你用「圖文」方式，解釋生活中一些問題，直觀又有讓人想看下去的欲望。

最后，再來一個抽象、高難度的命題——幫我把「孤獨」畫出來。要求：畫面里絕對不能出現任何人物、表情、文字。

不知，看完之后，你是否感受到了「孤獨」？

接著，測一下U1的一鍵生成信息圖。

給它一個簡單的提示詞：制作一張手沖咖啡的步驟圖。

SenseNova U1會先思考，再搜索需要的信息，最后把這句簡單的提示詞擴寫。

一頓操作之后，生成的信息圖內容豐富、詳實多了。

這張詳細的手沖咖啡步驟圖堪稱典范，八個步驟環環相扣。

它精準還原了從最初研磨咖啡，到最后完成萃取的全過程。

科學知識的科普，一張圖就能搞定。

下面這個demo中，簡單一句話：水循環的奇妙旅程。U1在思考的過程中，開始搜索、匯總相關信息。

由此，就得到了一張2K超清的一張水循環的奧秘圖。

它再次證明了U1在處理復雜、高密度信息的強大能力，復刻了地理學上的所有關鍵節點——太陽輻射、蒸發、凝結、輸送、降水、徑流。

而且，AI還極具匠心在每一步創作中，對前一步結構和細節做了精準延續。

6個字，生成西瓜信息圖。

從營養成分、健康益處到食用建議，三大板塊的信息密度拉滿，直接發到小紅書就是完整的推文素材。

六個字的prompt，換來一張可以直接交付的百科信息圖。

再比如，U1還能生成這種超復雜，又兼具趣味性的「通勤圖鑒」。

它設計的每一個板塊都充滿了巧思和創意，不僅視覺效果拉滿，內涵更是豐富。

U1還可以駕馭不同的藝術風格，比如「波普漫畫」。

它可以通過分鏡的形式，將信息用獨特的視覺語言傳遞出來，如下便是一個關于職業轉型的波普漫畫。

這張圖簡直就是視覺和邏輯的雙重炸彈，AI對高密度信息的處理能力在這里得到了極致體現。

估計養毛孩子的打工人，看到下面這張圖，都會產生心照不宣的共鳴。

U1還能瞬間拿捏樂高風格的信息圖——

一個是樂高環球早餐圖，把每一個國家：日本、墨西哥、英國、土耳其、巴西、印度標志性食物精準還原，并將其重構為樂高積木，有趣還有傳播價值。

另一個是咖啡百科信息圖，從歷史發展、沖煮科學、面臨挑戰，將三大知識板塊全部融入了一張圖中。

再來一個，以「地球的呼吸碳循環」為主題的垂直分層信息圖。

一張羊皮紙，清晰詮釋了都市的變化。

還有經典的結構爆炸圖測試，U1也是把細節拆解得絲絲入扣。

原生NEO-Unify架構

最強開源，理解生成一步到位

U1實測表現固然驚艷，但還需回答一個根本問題：為什么一個小參數尺寸的模型能做到這些？

答案藏在架構層。

當前多模態AI模型的主流做法是「拼積木」：用一個視覺編碼器（VE）負責「看」，用一個變分自編碼器（VAE）負責「畫」，中間再接一個大語言模型負責「想」。

三個模塊各自獨立訓練，然后拼在一起協同工作。

這套范式行之有效，但有一個根本性問題——感知和創造是割裂的。

VE把圖像壓縮成語義特征時，不可避免地丟失了像素級細節；VAE在生成圖像時，又得從語義空間重新「猜」回視覺細節。

理解和生成走的是兩條路，模型永遠在做「翻譯」，而不是真正「理解了再畫」。

NEO-Unify做了一件看起來很瘋狂的事：把VE和VAE都扔了。

它從第一性原理出發，基于一個核心假設——語言和視覺信息本質上是內在關聯的，應該被作為統一復合體直接建模。

打個比方，傳統架構像是一個團隊里有翻譯——視覺信息先被翻譯成「語言能懂的格式」，處理完再翻譯回「圖像能用的格式」。每次翻譯都有信息損耗，還增加了溝通成本。

NEO-Unify則像是一個天生雙語的人，從一開始就同時用視覺和語言思考，不需要翻譯這個中間環節。

技術上，NEO-Unify的實現路徑是：

• 引入近似無損的視覺接口，統一圖像的輸入與輸出表示；

• 采用原生混合Transformer（MoT）架構，讓理解分支和生成分支在同一個骨干網絡內協同工作；

• 文本采用自回歸交叉熵目標，視覺通過像素流匹配進行優化，二者在統一學習框架下聯合訓練。

實驗證實了一個關鍵發現，即使凍結理解分支，獨立的生成分支依然能從統一表征中恢復細粒度的視覺細節。

這意味著NEO-Unify的統一表征確實同時保留了語義豐富性和像素級保真度。這在以前，被認為是魚和熊掌不可兼得的。

團隊還公布了一組硬指標：NEO-unify（2B）在初步9萬步預訓練后，在MS COCO 2017上取得31.56 PSNR和0.85 SSIM，接近Flux VAE的32.65和0.91。

考慮到它完全沒有依賴任何預訓練的VE或VAE，這個數據相當令人矚目。

經過剛才的實測，我們已見識到了NEO-unify架構加持下，SenseNova U1連續圖文創作輸出的殺手級能力。

在多個信息圖生成基準上，SenseNova U1的生成質量亂殺其他開源模型，甚至可以媲美Qwen-Image 2.0 Pro、Seedream 4.5等閉源模型，并在推理延遲上有明顯優勢。

和GPT-Image-2比什么？范式差異才是重點

就在一周前，GPT-Image-2（ChatGPT Images 2.0）橫空出世，以近乎完美的文字渲染、多輪編輯和推理驅動的生成。

毫無疑問，GPT-Image-2在創意生圖領域樹立了新的標桿。

但GPT-Image-2本質上仍然是一個「生圖專用模型」，它的核心能力是根據文字指令生成高質量圖像。

SenseNova U1走的是一條完全不同的路。

它不是「生圖模型」，而是一個「原生理解生成統一模型」。

生圖只是它能力譜的一部分；它同時具備圖像理解、視覺推理、圖文交錯思考、信息圖生成等全維度能力，而且這些能力來自同一個架構、同一次訓練、同一個模型。

更關鍵的，SenseNova U1它不但強，還是開源的。

對于那些需要私有化部署、需要深度定制、需要把多模態能力嵌入自己產品的開發者來說，U1提供了一條GPT-Image-2無法提供的路。

原生統一：通往AGI必經之路

站遠一步看，GPT-Image-2引爆的「生圖大戰」，本質上還是在模態割裂的范式里卷——比誰的文字渲染更準、比誰的分辨率更高、比誰的風格更多樣。

這些當然重要，但它們都是「能力增量」，不是「范式變革」。

真正的AGI不會是一堆專用模塊的拼接——人類的大腦不是「語言區負責想、視覺區負責看、運動區負責畫」三個獨立系統的機械組合，而是一個高度統一的認知體。

多模態AI要走向AGI，遲早要走「原生統一」這條路。

NEO-Unify是第一個真正意義上「全扔掉」的原生統一架構，這讓它在學術和工程兩個維度上都具有獨特的坐標價值。

從GitHub和Hugging Face上的早期活躍度來看，NEO-Unify架構本身引發了大量技術討論，已經有開發者在Apple Silicon上復現了NEO-Unify的toy-scale實驗，驗證MoT架構在小規模下的表現。

對于關注多模態統一范式前沿的研究者來說，U1的開源提供了第一個可以實際上手跑的原生統一模型。

8B只是開始

商湯在U1發布時明確表示：當前開源的U1 Lite是輕量版，團隊正在沿著NEO-Unify架構繼續Scale，更大參數規模的模型將在后續推出。

他們的信念是，基于高效的原生架構，可以用低得多的計算成本達到國際頂尖模型的水平。

這句話的潛臺詞是：8B已經打到了開源SOTA，當參數量Scale到幾十B甚至更大時，NEO-Unify的架構紅利會更加顯著。

多模態AI正在經歷一場「從拼接到統一」的范式遷移。

U1的全球開源，是這條路上的第一步——但從今天的效果來看，這一步已經走得足夠扎實。

至于這條路最終通向哪里，答案或許得由全球社區的開發者們一起來寫。

代碼和權重已經上線了。剩下的，交給你們。