SenseTime が SenseNova U1 Pro を発表

7 月 18 日の 2026 世界人工知能大会で、SenseTime は「日日新 SenseNova U」シリーズのフラッグシップ SenseNova U1 Pro を発表しました。

まずは生成結果を見てみる

製品ページの作品にはすべて、生成に使った中国語プロンプトが添えられています。いちばん示唆的なのが次の 1 本。レイアウトについて何も指示していないからです。

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

上の話し言葉 1 文から出てきた結果です。区画分け、アイコン、日程のタイムライン、グルメと宿泊モジュールの階層——すべてモデルが自分で決めています。

もう 1 つのタイプは、レイアウトを極めて細かく書き込んだ長いプロンプトです。次の例は全文が公開されており、5 つのモジュール名はすべてプロンプトで指定されています。

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

指定された 5 モジュールはすべて配置され、タイトルの階層も本文の小さな文字もはっきり読めます。同時に、指示に従っていない箇所も見えます。プロンプトはハンドバッグですが、描かれたのはリュック。図中の標本カードには自ら「帆布双肩背包（キャンバス製リュック）」と書かれています。

あの長大なプロンプト、人が書いたとは限らない

ページ上で途中まで表示されている長いプロンプトには共通点があります。デザイナーの仕事をまるごと自然言語で書き込んでいるのです。画面比率、メインカラーとアクセントカラー、フォントファミリー、段組数、余白の量、視覚階層で何を最も強くするか、文字はすべて中国語であること。《銀塩写真：光はどう 1 枚の写真になるか》のプロンプトは原文で約 1800 字あり、「カラーカード、複雑な地紋、写真素材は使わない」といった除外条件まで書かれています。

普通の人はこんな書き方をしません。抜けている 1 手はオープンソース版のドキュメントに書かれています。インフォグラフィックを作る前に、まず自分のざっくりした一言をモデルに完全な画面仕様へ拡張させ、その結果を使って生成する。公式はこのために、プロンプト拡張のベストプラクティス文書を別途用意しています。

この 1 手を知ると、製品ページの長いプロンプトも腑に落ちます。あれはユーザーが手で打った入力というより、中間生成物なのです。

インフォグラフィックばかりではない

製品ページの残り 2 区画には、デザイン系とシーン系の作品が並びます。競っているのは美しさであって、情報の詰め込み量ではありません。

二十四節気・立夏。スイカの凧、大きく広がる SUMMER の文字、4 本の細い糸に節気の豆知識が下がり、日付と旧暦は草の斜面に並びます。

泉州の都市ポスター。木版画風、黒とオレンジ赤の 2 色による線描で、粒状のノイズ質感を帯びています。

敦煌博物館の無形文化遺産展ポスター。壁画の菩薩像が背景を埋め、金色の書によるメインタイトルが右側に縦組みでずらして重なります。

レトロなコーラ広告。黄と黒のコントラストによる特大タイトルが誌面の半分を占め、人物・アイスバケツ・手前のボトルで 3 層の奥行きを作ります。

エナジードリンクの広告ビジュアル。逆光の砂塵の中に缶が浮かび、ブラシ文字と缶のロゴが揃っています。商業出稿に耐える製品ビジュアルです。

写実的なポートレート。プロンプトは「毛穴が見えること」を要求。木漏れ日が頬と鎖骨に落ち、後れ毛が風に乱れ、空気には細かな塵が舞います。

建築パース。貝殻のような流線形の木製屋根と、床まで届くガラスカーテンウォール。下部に並ぶアイコンの案内も、右側の石彫サインも画面の一部です。セリフ体の大タイトルが空にかぶさります。

画面に文字は 1 つもありません。宙に浮かぶ鳥かごの中に春の谷がまるごと収まり、かごの扉が開いて、渓流が半透明の帯となって下界の山野へ落ちていきます。

情報密度の高い図版の側は、まったく別の勝負です。問われるのは、高密度でもレイアウトが崩れず、文字を間違えないこと。

縦型のデータビジュアライゼーション。番号付きの 6 モジュールを細い区切り線で分け、多くのモジュールがグラフやアイコンを備えます。

横型の学術レビュー用メカニズム図。テーマは全固体リチウム電池のミクロ機構と多スケールの循環ライフサイクルで、学会発表向けです。

青焼き風の製品組立説明図。濃紺の地に白の線画で、寸法線・構造線・目盛りはすべて白です。

子ども向けの科学解説図。プロンプトは段組も情報カードも使わないよう指示し、代わりに 1 枚の連続したストーリーシーンとして、知識を風景の中に溶かし込んでいます。

なぜ文字がボケなくなったのか

U1 Pro が「テキスト描画のエラー率は非常に低い」と能力リストに書ける理由を理解するには、まず従来のやり方で画像がどう作られていたかを押さえる必要があります。

ここ何年も、マルチモーダルモデルの一般的な構成は 2 つのパーツの分業でした。ビジョンエンコーダーが「見る」係で、画像をモデルが読める特徴に変換します。変分オートエンコーダーが「描く」係で、モデルが算出した短い数値列をピクセルに戻します。その間をアダプターがつなぎます。

継ぎ目は 2 か所あります。理解から中間表現へが 1 か所、中間表現から生成へがもう 1 か所。この両端はもともと別々の表現を使っており、通過するたびに翻訳が挟まります。そして画面上で最も細い筆画こそ、真っ先に犠牲になるものです。

このアーキテクチャは SenseTime と南洋理工大学の共同提案です。今年 3 月にまずブログ形式でプレビューが公開され、モデルの重みが実際にオープンソース化されたのは 4 月 27 日でした。

ピクセルを描くパーツをなくして、絵は誰が描くのか

この設計でいちばん突っ込まれやすい点です。答えは flow matching と呼ばれる学習方式。しかも、それをピクセルの層で直接行います。

そのため学習目標は 2 本並走します。テキスト側は自己回帰の交差エントロピー、視覚側はピクセルレベルの flow matching。これがアーキテクチャ図の右側、「生成パラメータ」のブロックで実際に起きていることです。

画質は落ちないのか

公式が示した検証は、画像再構成のスコア比較です。元の画像を入れて復元し、どれだけ元に近いかを見ます。

もう 1 点は効率です。同じ学習データ量なら、NEO-unify は比較対象の Bagel より少ない学習トークンで高い性能に達したとしています。SenseTime がこの路線に賭ける理由の、もう半分です。

オープンソース版が自ら挙げた弱点

同じアーキテクチャのオープンソース版は、リポジトリに「改善中」の節を設け、既知の限界を 4 つ書いています。うち 1 つは、先ほどの「エラー率は非常に低い」とまさに同じ戦場の話です。

オープンソースなのは Lite シリーズで、U1 Pro はフラッグシップ。規模が違えば結論も変わり得ます。ただ現時点で U1 Pro はベンチマークスコアを一切公開しておらず、確認できる最も近い数字は、オープンソース版の BizGenEval や IGenBench といったインフォグラフィック系ベンチマークの結果です。

全体を描き直さずに、1 か所だけ直せる

アーキテクチャが解決したのは図と文字が揃うかどうか。残る半分は、1 回目で仕上がらなかったときにどうするかです。

鍵は、モデルが手を動かす前に何を書き留めるかにあります。オープンソース版の推論サンプルでは全工程が見られます。ガラスコップでお茶を淹れた写真を渡し、「1 時間後はどうなるか」を描かせると、モデルはまず 6 段の推論を出力し、それから筆を執ります。

5 番目が「1 か所だけ直す」を成立させる仕組みです。モデルは手を動かす前に、自分で「触ってはいけないリスト」を作る。このリストがあれば、画像編集は「全体を引き直す」から「制約付きの部分修正」に変わります。オープンソースのリポジトリには、同じ構造の例があと 3 つあります。ビーズクッションに長く座り続けたら、真水を高濃度の食塩水に変えたら卵はどうなるか、青いバナナが熟したら。

この 6 ステップを閉じた輪につないだものが、SenseTime のいう長期の生成ループです。1 つの複雑なゴールに対して、これを数十ラウンド回せます。

7 月 16 日にオープンソース化されたインフォグラフィックモデル第 3 版は、まさに編集を主眼にしています。部分的な文字、部分的な内容、全体のスタイル、全体のレイアウトの 4 種類で、文字が密集する中でも文字を正確に直せると明記されています。これこそ「日付の行がボケたから、その行だけ直す」という能力です。

このループを繰り返すと、どこまでいけるのか

発表会場の《沙影之刃》がその答えです。実演のために用意されたプロジェクトで、課題は映像作品のプリプロダクション一式でした。

モデルはまず、世界観設定、主人公と敵のキャラクター設定、モンスターの三面図と表情差分、シーン設定、コンセプトアートというビジュアルの青写真を自律的に作り上げます。そのうえで、この設定に沿って 22 枚の連続コンテを一括出力し、各コマにカメラの説明が付きます。キャラクターの顔、衣装、光を 22 コマで同一人物として保つ——これは寄せ集めでは不可能で、先に確定した設定があり、以降のすべてのコマがそれに従う必要があります。この後は SenseTime の動画ツールと組み合わせ、人物・ストーリー・視覚言語を制御した状態で仕上げます。

左端が世界観設定のテキストブロック。右へ順にキャラクター設定（旅人形態・戦闘形態）、モンスターの三面図と表情差分、シーン設定、コンセプトアート。下 2 段が計 22 コマのコンテで、各コマにカメラの説明が付きます。元画像は発表資料に含まれる縮小一覧で、ディテールは会場の大判で確認する必要があります。

WAIC 会場のもう 2 つの作品

1. 4:1 の水墨長巻

WAIC 9 周年に向けて制作された《智会世図》は、宣紙の水墨風、4:1 の超ワイド画面です。遠目には東方の山水絵巻としてひと続きに見え、川と山脈がつながっています。拡大すると、2018 年から 2026 年まで各回の大会のランドマーク、出来事、小さな注記がこの絵を支えていることがわかります。図中には「2018 首届 WAIC 上海啓航」の灯台と AI PARK、「2025 同球共済」、「2026 智能伙伴共創未来」、さらに「人工知能グローバルガバナンス行動計画」「展示 10 万㎡」「1100+ 企業」、そして SAIL 賞、雲帆賞、青年論文賞といった賞の名前が読み取れます。

上が長巻の全景、下は 2 か所の部分拡大。左が 2018 年の第 1 回会場、右が 2025〜2026 年の区間です。この種の図で問われるのは、遠目にひと続きに見えつつ、拡大しても 1 文字ずつが成立していること。ここに掲載したのは発表資料の縮小版で、長巻本来のディテールは会場の大判で確認する必要があります。

2. ワールドカップ決勝の試合前予測レポート

公開は 7 月 18 日で、2026 ワールドカップ決勝はまだ行われていません。この図が扱っているのは試合前の分析とスコア予測です。スペイン対アルゼンチンで、図に示された予測スコアは 1 対 2。両チームの勝ち上がり、主力選手のマッチアップ、戦術フォーメーション、パスネットワーク、タッチのヒートマップが 1 枚に収まり、情報収集から分析・推論、複雑なビジュアルの仕上げまでを一気通貫でこなしています。

関連してもう 1 つ、別製品の戦績があります。SenseTime のオフィスアシスタント「小浣熊」が開幕 1 か月前に、今大会最大のダークホースとしてカーボベルデの決勝トーナメント進出を予測し、公式は予測に参加した 12 のモデル中 2 位だったとしています。予測したのは「小浣熊」で、その結果を図にしたのが U1 Pro です。

中央に PREDICTION と予測スコア 1-2。その両側に、パスネットワーク図、タッチのヒートマップ、得点分析のグラフ、勝ち上がり、選手カード、2 種類の戦術フォーメーション図が左右対称に配置されています。元画像は発表資料の縮小一覧です。

オープンソース版は今すぐ入手可。正式版は 8 月公開

U1 Pro は今は手に入りませんが、同じアーキテクチャのオープンソース版 SenseNova U1 Lite シリーズは今年 4 月に公開済みです。Apache 2.0 ライセンスで、商用利用もできます。

公開から 2 か月あまりの更新は、インフォグラフィックと編集に集中しています。

利用状況について SenseTime が示した数字はこうです。今年 6 月のオープンソース版ユーザーの 1 人あたり 1 日の生成枚数は、5 月比で約 3 倍。7 月中旬時点で、本体とそれをすぐ使えるスキルとして包んだ SenseNova-Skills のコードリポジトリを合わせ、GitHub の Star 総数が 8000 を突破しました。

画像を見るモデルも公開

WAIC では同じ場で SenseNova-Vision も公開されました。同じネイティブ統一アーキテクチャを採り、インスタンスセグメンテーションや物体検出といった古典的な視覚タスクを汎用大規模モデルのネイティブな能力に変え、複数の専門モデルを継ぎ合わせる必要をなくします。

4 組のデモ。超高密度の物体セグメンテーションで重なった魚群を 1 匹ずつ切り分け、鏡の反射を見抜いて空間の幾何を復元し、初見のゲーム画面をゼロショットで理解し、錯視図で実際の空間構造を判定します。

いつ使えるのか

U1 Pro のプレビュー版はすでに招待テストが始まっており、推論サービスのリソース拡大に合わせて対象を段階的に広げていきます。正式版は今年 8 月に一般公開の予定で、価格と API サービスも同時に提供されます。それまでの間も、この能力は SenseTime 傘下のオフィスアシスタント「小浣熊」と動画制作ツール「Seko」で稼働しています。

7 月 18 日の世界人工知能大会で、SenseTime は SenseNova U1 Pro を発表しました。「見る・描く・直す」を 1 つのモデルに収め、1 つのゴールに向けて数十ラウンド回し、そのまま使える完成品を出します。最大 8K 解像度に対応し、印刷サイズまで拡大しても小さな文字が保たれます。

ここまでできるのは、基盤のアーキテクチャを入れ替えたからです。何を変えたのかを理解するには、まず従来のやり方で画像がどう作られていたかを知る必要があります。

小互がほしいのはマラソンのポスター。メインタイトル、日付「10月26日」、集合場所、右下の QR コード、この 4 つは動かせません。次の図は、この 1 文が 2 つのアーキテクチャをそれぞれ通る様子です。

「1 か所だけ直す」を同じ仕事量に換算します。ポスター 1 枚、クライアントからの修正依頼は 3 回。

以上はいずれも SenseTime が自ら公開した数字で、U1 Pro 自体のベンチマークスコアは未公開、第三者の検証もまだありません。確認できる最も近い数字は同アーキテクチャのオープンソース版のもの。画像復元スコアは 31.56 / 0.85 で、比較対象の Flux VAE（32.65 / 0.91）をやや下回ります。あの圧縮パーツを外した以上、再構成の忠実度には代償があるということです。オープンソース版自身も、文字が密集する場面では描画が崩れると書いています。