商汤发布 SenseNova U1 Pro：原生 8K 出图，密密麻麻的小字放大也不糊
- 商汤 7 月 18 日在 WAIC 发布 SenseNova U1 Pro，是「日日新 SenseNova U」系列的旗舰版本，主打把复杂版面的图一次做对。
- 四项能力：专业设计美感、最高 8K 分辨率出图、密集图文的版式与文字控制、围绕一个目标跑数十轮的生成循环。
- 底层换了一套新架构，把过去负责「看图」和「画图」的两个中间部件都删掉了，看懂和画出共用同一套表示，中间不用翻译。
- 现场演示三件作品：WAIC 九周年 4:1 水墨长卷、一次输出 22 张连续分镜的影视设定、世界杯决赛的赛前预测报告。
- 同架构的开源版 SenseNova U1 Lite 今年 4 月已开源（Apache 2.0），有免费在线平台可直接试，GitHub 累计 Star 超过 8000。
- 开源版自己列了已知短板，其中一条正是文字渲染在密集场景下仍会出错。
- U1 Pro 目前是邀请测试的预览版，正式版计划 8 月对公众开放，届时同步公布定价和 API。
AI 生图，图好看，字总是糊的
你要一张城市马拉松的报名海报。主标题、赛事日期、集合地点、右下角一个报名二维码，位置都定死了。
生成出来，构图漂亮，配色也对。放大一看，日期那行糊成了两团墨，「10 月 26 日」的「26」多了一笔。你把提示词改得更细，再来一次。这回字清楚了，二维码跑到左上角去了，整个版面重新洗了一遍。
第三次、第四次、第五次。每一次都是一张全新的图，你在一堆毛病各不相同的结果里挑一张最不难受的，然后拿去 Photoshop 手动补。这个过程有个通行叫法：抽卡。
改一处，只有那一处变。日期字号调大两号，其余原样不动。
改一处，整张图重抽一次。字号对了，构图、配色、二维码位置全变了。
商汤联合创始人、首席科学家林达华在发布现场把这件事分成了三段。第一段解决画得像不像；第二段解决能不能用自然语言对话着改；第三段是在真实场景里直接交出能用的东西。这三段在代码工具那边分别对应 Copilot 补全、Vibe Coding 意图驱动和 Agentic Coding 系统级交付，多模态（能同时处理文字和图片的模型）走的是同一条路，只是慢了几步。
能交互，不等于能交付。商汤在 SenseNova U1 Pro 发布现场的表述
商汤发布了 SenseNova U1 Pro
7 月 18 日的 2026 世界人工智能大会上，商汤科技发布了「日日新 SenseNova U」系列的旗舰版本 SenseNova U1 Pro。
从「细节逼真」推进到构图、色彩、排版都成立的阶段，作品直接达到专业交付品质。
原来卡在哪：画得像但不好看，还得设计师返工重排。
支持 8K 原生分辨率和特殊长宽比，能做超长、超大画幅。放大之后文字、线条、图标、模块关系仍然稳定，经得起印刷和展览的细节检验。
原来卡在哪：生成图只能当草稿，一放到实际尺寸就崩。
在极高信息密度下维持整体版式和内容表达，文字渲染出错率极低。
原来卡在哪：字糊、错字、模块串位。
围绕一个复杂目标持续理解、规划、执行、检查和修正，可以跑数十轮。新版本支持整体风格和局部文字同步可控编辑。
原来卡在哪：只能重抽，不能定点改。
先看看它能画成什么样
产品页上每张作品都附了生成它的中文提示词。最能说明问题的是这一条，因为它根本没有描述任何版式。
帮我做一个周六去周日回的溧阳旅游攻略，涵盖景点、住宿和小吃
另一类是把版式写到极细的长提示词。这一条完整可见，五个模块的名字全部由提示词指定：
生成一幅以手提包为核心主题的信息图，标题为《皮囊解析：被携带的自我》，探讨个人物品与自我身份的关系，包含甄选法则、容器、内衬秘密、生活沉淀、磨损情结五个主题模块
那些吓人的长提示词，未必是人写的
页面上被截断的长提示词，共同特征是把设计稿的活儿全写进了自然语言：画幅比例、主色与强调色、字体族、分几栏、留白多少、视觉层级上谁最强谁次强、所有文字必须是中文。《银盐摄影：光如何变成一张照片》那一条原文约 1800 字，连「不使用彩色卡片、复杂底纹或照片元素」这种排除项都写了。
普通人不会这么写字。开源版的文档里给了这中间缺的一环：做信息图之前，先让模型把你那句大白话扩写成完整的画面规格，再拿扩写结果去出图。官方为此单独出了一份提示词增强的最佳实践文档。
知道了这一环，产品页那些长提示词就好理解了：它们更像是中间产物，不是用户手打的输入。
不全是信息图
产品页另外两个分区放的是设计和场景类的作品，比的是好不好看，不是信息塞得多不多。
密集图文那一侧的路子完全不同，考的是在高密度下版式不塌、文字不错。
它是怎么做到字不糊的
要理解 U1 Pro 为什么敢把「文字渲染出错率极低」写进能力清单，得先看清旧做法的图是怎么被造出来的。
过去多年，多模态模型的通行结构是两个部件分工：一个视觉编码器负责「看」，把图片转成模型能读的特征；一个变分自编码器负责「画」，把模型算出来的一小串数字还原成像素。中间靠适配器把两边对接起来。
相当于让一个人看画、口述给另一个人、第二个人照着口述重画一遍。山峦河流这种大结构描述得清楚，落款上那几个小字，口述这一关就没了。变分自编码器的压缩和还原，损失的正是这一档尺度的细节。
接缝有两处：看懂（理解）到中间表示是一处，中间表示到画出来（生成）是另一处。这两头用的本来就是两套不同的表示，每过一道就要翻译一次，而画面上最细的那些笔画，是最先被牺牲的东西。
NEO-unify 的选择是把这两个部件都删掉。没有视觉编码器，没有变分自编码器，像素和文字作为原生输入直接进模型。
骨干用的是 MoT（Mixture-of-Transformer）：同一个网络里放两组参数，一组管理解、一组管生成，处理什么任务就走哪一组。因为两组在同一个骨干里联合训练，理解到生成之间不再有需要翻译的边界。
这套架构是商汤和南洋理工大学合作提出的，今年 3 月先以博客形式公开了预览，模型权重要到 4 月 27 日才真正开源。
删掉了画像素的部件，那谁来画
这是这套设计最容易被问住的地方。答案是一种叫 flow matching 的训练方式，而且直接放在像素这一层做。
让模型学会怎么把一团随机噪点，一步一步「流动」成一张成图。它全程手就在像素上，像把一盘散沙慢慢推成一座沙雕；旧做法则是先把沙雕拍成一张照片、再照着照片重堆一遍，中间那次拍照就是变分自编码器，也是细节丢失的地方。
训练目标因此分成两条并行的：文字那一路用自回归交叉熵，视觉那一路用像素级的 flow matching。这也是架构图右边「生成参数」那个方块里实际在发生的事。
画质会因此变差吗
官方给的验证是图像重建的分数比对：把一张原图送进去再还原出来，看还原得有多像。
还有一条是效率：同样的训练数据量下，NEO-unify 比对照的 Bagel 用更少的训练 token 达到了更高的性能。这是商汤敢押这条路线的另一半理由。
开源版自己列了哪些短板
同架构的开源版本在仓库里写了一节「进行中的改进」，四条已知局限。其中一条和上面的「出错率极低」正好是同一个战场。
- 文字生成：文字渲染有时会出现拼写错误、字符变形或格式不一致，且对提示词的措辞较为敏感，在文字密集场景下尤为明显。
- 人体生成：人体细粒度细节仍有挑战，尤其当人物在画面中占比较小，或与周围物体有复杂交互时。
- 视觉理解：上下文长度最长 32K，在需要更长或更复杂视觉上下文的场景下可能受限。
- 图文交错生成：属于实验性功能，性能可能尚未达到专用文生图流程的水平；强化学习尚未针对编辑、推理和图文交错做专项优化，当前表现与监督微调版本相当。
开源的是 Lite 系列，U1 Pro 是旗舰，规模不同，结论可以不同。但目前 U1 Pro 没有公开任何基准跑分，能查到最接近的成绩是开源版在 BizGenEval、IGenBench 这类信息图基准上的结果。
它能只改一处，不用整张重画
架构解决了图文能不能对齐，还剩另一半：一张图第一次没做对，接下来怎么办。
关键在于模型动手之前先写下什么。开源版的推理示例里能看到完整过程：给它一张玻璃杯泡茶的照片，让它画出「一小时之后是什么样」，它会先输出六段推理，然后才动笔。
看源图杯子里是刚泡的热茶，茶叶正在舒展，水色还比较清。
读懂指令要的是一小时之后的样子。
推理时间一长，单宁和色素析出，茶汤会明显变深、颜色更均匀，茶叶泡久了也会更胀更暗。
预期变化茶汤从琥珀色转向更深的棕色，饱和度更高。
哪些必须保留玻璃杯、杯子周围散落的茶叶、背景和机位，都应该保持不变。
写成明确的修改指令把茶汤改成泡透了的深琥珀棕、让茶叶稍暗稍胀，同时保持玻璃杯、周围叶子、背景和取景不变。
第五步是「只改一处」这件事的机制所在：模型在动手前先给自己列一份不许动的清单。有了这份清单，改图就从「整张重抽」变成了带约束的局部修改。开源仓库里还有另外三个同结构的例子：豆袋沙发被坐久之后、淡水换成高浓度盐水鸡蛋会怎样、青香蕉熟了之后。
把这六步接成闭环，就是商汤说的长程生成循环。围绕一个复杂目标，它可以这样跑数十轮。
7 月 16 日开源的信息图模型第三版，主攻方向正是编辑：局部文字、局部内容、全局风格、全局布局四类，并且明确写了能在密集文本中精确修复文字。这正是「日期那行糊了，只补那行」的能力。
把这套循环拉长，能做多远
发布现场的《沙影之刃》是这个问题的答案。这是一个为演示准备的项目，任务是一整套影视前期。
模型先自主产出整套视觉蓝图：世界观设定、主角与敌人的人设、怪物三视图和动态表情、场景设定、概念图，然后在这套设定之上一次性输出 22 个连续分镜，每一格带镜头说明。角色的脸、服装、光线要在 22 格里保持同一个人，这是靠随机拼凑做不到的事，得先有一份被确定下来、后面所有格子都必须遵守的设定。后续配合商汤的视频工具，实现人物、剧情和视觉语言的可控交付。
WAIC 现场的另外两件作品
一、一幅 4:1 的水墨长卷
为 WAIC 九周年做的《智会世图》，宣纸水墨风，4:1 超宽画幅。远看是一幅完整的东方山水叙事，河流山脉连成一气；放大之后，2018 到 2026 每一届大会的地标、事件和小字标注支撑着这幅画。图上可以辨认出「2018 首届 WAIC 上海启航」的灯塔与 AI PARK、「2025 同球共济」、「2026 智能伙伴共创未来」，以及「人工智能全球治理行动计划」「展览 10 万㎡」「1100+ 企业」和 SAIL 奖、云帆奖、青年论文奖等一串奖项名。
二、一份世界杯决赛的赛前预测报告
发布在 7 月 18 日，2026 世界杯决赛还没开踢。这张图做的是赛前分析和比分预测：西班牙对阿根廷，图上给的预测比分是 1 比 2。双方的晋级路径、核心球员对位、战术阵型、传球网络和触球热力图，被压进同一张图里，走完了从信息搜集、分析推理到复杂视觉交付的全流程。
另外还有一条相关的战绩，属于另一个产品：商汤的办公助手「小浣熊」在开赛前一个月预测了本届最大黑马佛得角出线，官方称在 12 家参与预测的模型里排第二。做预测的是「小浣熊」，把结果画成图的才是 U1 Pro。
开源版现在能下载，正式版 8 月开放
U1 Pro 现在拿不到，但同一套架构的开源版 SenseNova U1 Lite 系列今年 4 月就已经放出来了，Apache 2.0 许可证，可以商用。
| 项目 | 内容 |
|---|---|
| 开源型号 | SenseNova-U1-8B-MoT 和 SenseNova-U1-A3B-MoT，两个规格。名字里的 Lite 表明它们是紧凑版本，更大的版本还在后面 |
| 参数口径 | 8B-MoT 指约 80 亿理解参数「加上」约 80 亿生成参数，不是总共 80 亿 |
| 许可证 | Apache 2.0，可以免费商用 |
| 不用装 | 官方有免费在线平台 unify.light-ai.top，不用装、不用显卡，浏览器里直接试 |
| 本地跑 | 约 16GB 的消费级显卡上，官方推荐 Q4 量化配合分层加载模式。量化权重由社区贡献者上传，官方提供的是加载支持 |
| 要快的话 | 另有 8 步蒸馏 LoRA，牺牲一点画质换速度 |
| 生产部署 | 配套推理栈在 H100 或 H200 单节点上，2048×2048 的图约 9 秒出一张 |
| 训练 | 监督微调版本走四个阶段：理解预热、生成预训练、统一中期训练、统一监督微调，最终版本再加一轮文生图强化学习 |
| 入口 | github.com/OpenSenseNova/SenseNova-U1，论文 arXiv:2605.12500 |
开源两个多月的迭代节奏，主攻的是信息图和编辑。
首发推理代码与 8B-MoT 权重
8 步快速推理预览版
加入量化权重支持和分层加载显存模式，单卡低显存也能跑
技术报告发布，同时开源 A3B-MoT 混合专家版本
专攻信息图的 Infographic 模型
Interleaved 图文交错版，提升绘本、故事书、多页 PPT 的叙事连贯性和角色一致性
信息图专用的 8 步加速 LoRA
Infographic V2，密集小字渲染更锐利，修复背景变黑问题
Infographic V3，加入编辑能力：局部文字、局部内容、全局风格、全局布局
用量方面商汤给的口径是：今年 6 月开源版用户的人均日生图量比 5 月提升近 3 倍；截至 7 月中旬，它以及把它封装成开箱即用技能的 SenseNova-Skills 代码库，在 GitHub 的总 Star 数突破 8000。
还开源了一个看图的模型
WAIC 同场还公布了 SenseNova-Vision，走的是同一套原生统一架构，把实例分割、目标检测这些经典视觉任务变成通用大模型的原生能力，不再靠多个专家模型拼起来。
什么时候能用上
U1 Pro 的预览版本已经开启邀请测试，会随着推理服务资源扩大逐步放开邀测范围。正式版本计划在今年 8 月对公众开放服务，定价和 API 服务同步推出。在这之前，这套能力已经在商汤旗下的办公助手「小浣熊」和视频创作工具「Seko」里跑着。
AI 出图从「抽卡碰运气」→ 改一处只动那一处
商汤 7 月 18 日在 WAIC 发布 SenseNova U1 Pro，一页带图讲完它换了什么、字为什么不糊了。
↓ 一页读完 · 有一张会动的图
让 AI 画一张海报，构图配色都对，放大一看日期那行糊成两团墨。你改提示词重来一次，字清楚了，二维码又跑到了左上角。这个反复重来的过程有个通行叫法：抽卡。
✘ 它做不到只改一处、其余原样不动
为什么：每改一次提示词，模型就重画一整张全新的图。每一次都等于重新抽一张。小字和精确位置，全靠运气。
7 月 18 日的世界人工智能大会上，商汤发布了 SenseNova U1 Pro。它把「看图、画图、动手改」三件事放进同一个模型，围绕一个目标反复跑几十轮，直到交出能直接用的成品。最高支持 8K 分辨率出图，放大到印刷尺寸小字仍然稳。
→ 整张重画
字号对了
构图变了
二维码挪位了
→ 先列不许动的清单
玻璃杯 · 背景 · 机位 · 二维码
再只改那一行
其余原样
能做到这一步，靠的是底层换了一套架构。要看懂它改了什么，得先知道旧做法的图是怎么造出来的。
小互要一张马拉松海报，主标题、日期「10 月 26 日」、集合地点、右下角二维码，四样都定死。下面这张图跟着这句话，走两遍不同的架构。
把「改一处」这件事换算成同一件活：一张海报，甲方提三次修改意见。
以上均为商汤自己公布的数据，U1 Pro 本身没有公开任何基准跑分，第三方尚未测试。可查到最接近的成绩来自同架构的开源版：图像还原分数 31.56 / 0.85，略低于对照的 Flux VAE（32.65 / 0.91），去掉那个压缩部件，重建保真度是有代价的。开源版自己也写了，密集文字场景下渲染仍会出错。
就按这版来。
日期糊成
两团墨。
一笔
再来一次！
这叫重新抽一次卡。
新模型搬上台。
放大到印刷尺寸，小字仍然站得住
连续分镜，
人物和光线
全程一致
画幅，比
16:9 还宽
一倍多
目标反复改，
改到能交付
（商汤口径）
糊在哪一步？
翻一次掉一次笔画。
共用同一套
表示。中间
没有接缝，
也就没有
丢字的地方
先写下不许动的。
- × 背景与配色
- × 机位和整体构图
- × 右下角二维码
能试的是开源版。