多模态能力国内最强！ 商汤日日新V6让AI融入“百姓之日用”

2025年4月10日，商汤科技举办2025技术交流日活动，重磅推出全新升级的“日日新SenseNova V6”（以下简称：日日新V6）大模型体系，通过多模态长思维链训练、全局记忆、强化学习的技术突破，形成领先的多模态推理能力，并突破成本边界。

「日日新 V6」模型能力显著提升，在长思维链、推理、数理、全局记忆方面拥有显著优势，多模态推理能力国内第一，对标OpenAI o1，数据分析能力大幅领先GPT-4o；同时，高效能与低成本完美结合：多模态训练整体效率对齐语言训练实现业内最低、推理成本均实现业界最低；全新的轻量级全模态交互模型SenseNova V6 Omni带来了国内最强的多模态交互能力；涵盖国内首个支持10分钟中长视频深度解析的大模型，对标Gemini 2.5 Turbo达到同类型最强。

商汤科技董事长兼首席执行官徐立表示：“AI之道，在于百姓之日用。商汤日日新V6将跨越多模态边界，释放推理与智能的无限可能。”

多模态长思维链、强化学习、全局记忆，日日新V6率先实现多模态下深度思考

作为拥有超6000亿参数的MoE原生多模态通用大模型，「日日新 V6」实现了多项技术突破，凭借单一模型就可以完成文本、多模态等各类任务：

• 长思维链：超过 200B 高质量多模态长思维链数据，最长 64K 思维链；
• 数理能力：数据分析能力大幅领先 GPT-4o；
• 推理能力：多模态深度推理国内第一，对标 OpenAI o1；
• 全局记忆：率先在国内突破长视频理解，支持10分钟的视频理解及深度推理。

在权威的推理能力及多模态能力评测中，「日日新 V6」在多个维度获得SOTA：

【核心指标】纯文本任务综合性能优秀，比肩国际一线模型；多模态性能领先，各方面性能突出；纯文本推理与多模态推理能力均均对标 GPT-4.5 和 Gemini 2.0 Pro 等国际一流模型的水平

【强推理能力】日日新融合模型从 5.5 到 V6 / V6 Reasoner，推理能力显著提升。在独立评测中，多模态和语言深度推理任务上同时超过了 OpenAI 的 o1 和 Gemini 2.0 flash-thinking 的水平

基于超过200B高质量多模态长思维链数据，商汤通过多智能体协作进行长思维链合成和验证，「日日新 V6」形成了突出的多模态推理能力，可以支持合成最长 64K 的多模态长思维链，支持模型长时间思考能力。

针对真实环境存在的复杂问题，「日日新 V6」强大的混合图文理解推理能力，能够帮助用户解决各类问题。

在复杂繁琐的文档处理场景中，「日日新 V6」同样能够以多模态强推理能力解决用户难题，快来商汤办公小浣熊体验：

以保险理赔场景为例，「日日新 V6」可根据商业医疗保险理赔材料，判断提供材料是符合理赔要求，检查是否存在乱开药、乱检查、材料缺失或者材料对不齐等问题。

小额理赔虽然金额小但往往耗费时间长（3-7天），而交给「日日新 V6」，它能自己检测到风险提示，自己交叉验证，最后再给到用户非常细节、多维的结论，完成模型到客户使用的最后一公里

得益于多模态强化学习的突破，商汤构建了面向多种图文任务的混合增强学习框架，基于不同难度分级和多奖励模型的强化学习训练。

国内首个！视频理解打破10分钟限制，超长内容实现秒级推理拆解

凭借“全局记忆”能力，「日日新 V6」打破了传统模型仅支持短视频的限制，可支持10分钟级视频全帧率解析。

基于强大的理解能力，「日日新 V6」还可以对视频的精彩内容进行智能剪辑输出，帮助用户保留珍贵瞬间。

针对一段《黑神话》游戏录屏，游戏玩家们日常积累的游戏录制、实况，输入「日日新 V6」理解精彩内容和值得记录的时间，剪辑出高光时刻，同时可自定义生成解说文案，帮助分享游玩经验和游戏内的精彩操作

商汤自研技术可将视觉信息（画面）、听觉信息（语音、音效）、语言信息（字幕、口语）、时间轴逻辑进行对齐，形成多模态统一时序表征。在此基础上通过细粒度级联信息压缩和内容敏感的动态过滤，实现长视频的高比例压缩，10分钟视频可以压缩到 16K tokens，仍然保留关键语义。

真正像人一样交互，「SenseNova V6 Omni」发布即实现多行业落地

伴随日日新SenseNova V6的发布，商汤日日新实时交互融合大模型升级至「SenseNova V6 Omni」，在角色扮演、翻译点读、文旅导游、讲解绘本、数学讲解等场景下进行了深度优化。

以翻译点读场景为例，「SenseNova V6 Omni」让用户通过手指就能实现精准位置的空间交互，并精准理解局部信息与全局信息的关系，带来更符合人类自然直观的指读交互体验。

「SenseNova V6 Omni」拥有更像人的感知和表达能力、情感理解能力，并已在具身智能等领域实现多行业、多场景落地，成为国内首个商业化的全模态实时交互模型。