GPT-Image-2平替！最强开源生图模型来了

新智元报道

编辑：桃子 犀牛

【新智元导读】GPT Image 2之后，最强开源生图模型来了！SenseNova U1正式开源，原生统一理解和生成。它不仅能看懂图，更能「边想边画」，实现连续图文创作输出。这才是通往AGI的正确姿势。

全球AI生图大战正酣！

上一周，OpenAI正式亮出的GPT Image 2，直接让全网目瞪口呆。

不论是带货的直播间、90年代怀旧照片，还是复杂烧脑的知识图，各种神仙级demo正在刷屏。

别问，问就是AI生图已进化到下一个Level了。

短短几天，国内大厂商汤快速反击，亮出了一张全新的底牌：多模态理解生成模型SenseNova U1。

它把「看懂图」和「生成图」这两件事，塞进了同一个大脑。

其核心突破便在于，通过自研「单一模型架构」NEO-Unify，实现了理解、推理、生成的统一。

更重磅的是，它没有藏着掖着。

目前，SenseNova U1已在GitHub上全面开源，一大批网友已经开始整花活了。

就连来自Hugging Face、MLS超级智能体实验室等AI大佬纷纷围观和点赞。

一手实测，信息量巨大

这一次，开源的是SenseNova U1 Lite轻量版系列，一共包含了两个不同规格的模型：

• SenseNova-U1-8B-MoT：基于稠密骨干网络

• SenseNova-U1-A3B-MoT：基于MoE骨干网络

参数看着「精炼」，但成绩表现远超预期。

多项基准测试中，U1 Lite爆发出全维度的统治力，达到了同量级开源的SOTA水平。

更令人意外的是，它在多项指标上直逼，甚至超越了部分大型商业闭源模型。

图像理解、图像生成、视觉推理基准测试结果

如今，SenseNova U1上线后，各路大神直呼玩得停不下来。

在正式拆解技术之前，先上真实demo，让你直观感受U1的能力边界。

首先，我们来试一下U1的拿手好戏——连续图文创作输出，它依托于商汤首创的图文交错思维链技术。

先来看第一个demo——手绘哥特式大教堂的步骤拆解图。

令人惊艳的是，在思考的过程中，U1将繁复的建筑美学解构得淋漓尽致，更像是一个拥有深度空间思维的「建筑师」。

过去，对于生图AI而言，保持多张图的一致性曾是最大的难题。

但在这个Demo中，从简练轮廓到华丽成品，建筑的主体结构、飞扶壁的数量、甚至玫瑰窗的格栅纹路，都保持了近乎完美的物理对齐。

这种高度的一致性，让它看起来更像是一份真正具备教学意义的连贯教案。

再比如，一句简单的提示：在海边悬崖上设计一栋图书馆，并且实现多角度呈现。

五个视角，五段文字，五张图，严格交替、逻辑递进——从外到内、从结构到氛围、从白天到黄昏，每一步「想」的内容都直接「画」了出来。

思考和视觉表达同步展开，文字为图像提供设计意图，图像为文字提供视觉验证，二者互为因果。

而且最惊艳的是五张图之间的风格自洽性——建筑形态、材质语言、色彩体系高度统一，明显是在同一个「设计概念」下生成的。

这就是「边想边画」该有的样子。

再来让它生成一段漫画故事，同样是简单几句提示词。

可以看出，四格分镜的叙事节奏精准到位——从赛博废墟中的孤灯、到机器人围观老人读书的荒诞温情、再到泪落书页的微观特写、最后拉到地平线长队的宏大收束，情绪层层递进。

而且，从第一幅画到最后一幅，人物、场景都保持了比较强的一致性。

这恰恰得益于，SenseNova U1具备的原生图文理解生成的能力，天然把图像和文本底层融合信号完整地保留上下文中。

更值得注意的是，U1连续图文创作输出的深度，在每格之间自发补充了大量叙事细节：「静默之塔」的命名、指尖划过岁月痕迹的动作、晶莹泪珠与泛黄书页的对比——

这些文字本身就构成了一部微型科幻小说，图像则精准地将文字中的情感峰值可视化。

再让U1生成多种艺术风格的绘画，主体就一个狼。

看到结果瞬间被惊艳到了，浮世绘、装饰艺术、表现主义全部呈现。

甚至，U1可以通过连续的图文输出，直出像PPT一样的高维信息图。

它的每一步创作，通过共享上下文实现了统一表征，从而确保了前后环节在结构、细节上的高度一致。

甚至，UI还可以帮你用「图文」方式，解释生活中一些问题，直观又有让人想看下去的欲望。

最后，再来一个抽象、高难度的命题——帮我把「孤独」画出来。要求：画面里绝对不能出现任何人物、表情、文字。

不知，看完之后，你是否感受到了「孤独」？

接着，测一下U1的一键生成信息图。

给它一个简单的提示词：制作一张手冲咖啡的步骤图。

SenseNova U1会先思考，再搜索需要的信息，最后把这句简单的提示词扩写。

一顿操作之后，生成的信息图内容丰富、详实多了。

这张详细的手冲咖啡步骤图堪称典范，八个步骤环环相扣。

它精准还原了从最初研磨咖啡，到最后完成萃取的全过程。

科学知识的科普，一张图就能搞定。

下面这个demo中，简单一句话：水循环的奇妙旅程。U1在思考的过程中，开始搜索、汇总相关信息。

由此，就得到了一张2K超清的一张水循环的奥秘图。

它再次证明了U1在处理复杂、高密度信息的强大能力，复刻了地理学上的所有关键节点——太阳辐射、蒸发、凝结、输送、降水、径流。

而且，AI还极具匠心在每一步创作中，对前一步结构和细节做了精准延续。

6个字，生成西瓜信息图。

从营养成分、健康益处到食用建议，三大板块的信息密度拉满，直接发到小红书就是完整的推文素材。

六个字的prompt，换来一张可以直接交付的百科信息图。

再比如，U1还能生成这种超复杂，又兼具趣味性的「通勤图鉴」。

它设计的每一个板块都充满了巧思和创意，不仅视觉效果拉满，内涵更是丰富。

U1还可以驾驭不同的艺术风格，比如「波普漫画」。

它可以通过分镜的形式，将信息用独特的视觉语言传递出来，如下便是一个关于职业转型的波普漫画。

这张图简直就是视觉和逻辑的双重炸弹，AI对高密度信息的处理能力在这里得到了极致体现。

估计养毛孩子的打工人，看到下面这张图，都会产生心照不宣的共鸣。

U1还能瞬间拿捏乐高风格的信息图——

一个是乐高环球早餐图，把每一个国家：日本、墨西哥、英国、土耳其、巴西、印度标志性食物精准还原，并将其重构为乐高积木，有趣还有传播价值。

另一个是咖啡百科信息图，从历史发展、冲煮科学、面临挑战，将三大知识板块全部融入了一张图中。

再来一个，以「地球的呼吸碳循环」为主题的垂直分层信息图。

一张羊皮纸，清晰诠释了都市的变化。

还有经典的结构爆炸图测试，U1也是把细节拆解得丝丝入扣。

原生NEO-Unify架构

最强开源，理解生成一步到位

U1实测表现固然惊艳，但还需回答一个根本问题：为什么一个小参数尺寸的模型能做到这些？

答案藏在架构层。

当前多模态AI模型的主流做法是「拼积木」：用一个视觉编码器（VE）负责「看」，用一个变分自编码器（VAE）负责「画」，中间再接一个大语言模型负责「想」。

三个模块各自独立训练，然后拼在一起协同工作。

这套范式行之有效，但有一个根本性问题——感知和创造是割裂的。

VE把图像压缩成语义特征时，不可避免地丢失了像素级细节；VAE在生成图像时，又得从语义空间重新「猜」回视觉细节。

理解和生成走的是两条路，模型永远在做「翻译」，而不是真正「理解了再画」。

NEO-Unify做了一件看起来很疯狂的事：把VE和VAE都扔了。

它从第一性原理出发，基于一个核心假设——语言和视觉信息本质上是内在关联的，应该被作为统一复合体直接建模。

打个比方，传统架构像是一个团队里有翻译——视觉信息先被翻译成「语言能懂的格式」，处理完再翻译回「图像能用的格式」。每次翻译都有信息损耗，还增加了沟通成本。

NEO-Unify则像是一个天生双语的人，从一开始就同时用视觉和语言思考，不需要翻译这个中间环节。

技术上，NEO-Unify的实现路径是：

• 引入近似无损的视觉接口，统一图像的输入与输出表示；

• 采用原生混合Transformer（MoT）架构，让理解分支和生成分支在同一个骨干网络内协同工作；

• 文本采用自回归交叉熵目标，视觉通过像素流匹配进行优化，二者在统一学习框架下联合训练。

实验证实了一个关键发现，即使冻结理解分支，独立的生成分支依然能从统一表征中恢复细粒度的视觉细节。

这意味着NEO-Unify的统一表征确实同时保留了语义丰富性和像素级保真度。这在以前，被认为是鱼和熊掌不可兼得的。

团队还公布了一组硬指标：NEO-unify（2B）在初步9万步预训练后，在MS COCO 2017上取得31.56 PSNR和0.85 SSIM，接近Flux VAE的32.65和0.91。

考虑到它完全没有依赖任何预训练的VE或VAE，这个数据相当令人瞩目。

经过刚才的实测，我们已见识到了NEO-unify架构加持下，SenseNova U1连续图文创作输出的杀手级能力。

在多个信息图生成基准上，SenseNova U1的生成质量乱杀其他开源模型，甚至可以媲美Qwen-Image 2.0 Pro、Seedream 4.5等闭源模型，并在推理延迟上有明显优势。

和GPT-Image-2比什么？范式差异才是重点

就在一周前，GPT-Image-2（ChatGPT Images 2.0）横空出世，以近乎完美的文字渲染、多轮编辑和推理驱动的生成。

毫无疑问，GPT-Image-2在创意生图领域树立了新的标杆。

但GPT-Image-2本质上仍然是一个「生图专用模型」，它的核心能力是根据文字指令生成高质量图像。

SenseNova U1走的是一条完全不同的路。

它不是「生图模型」，而是一个「原生理解生成统一模型」。

生图只是它能力谱的一部分；它同时具备图像理解、视觉推理、图文交错思考、信息图生成等全维度能力，而且这些能力来自同一个架构、同一次训练、同一个模型。

更关键的，SenseNova U1它不但强，还是开源的。

对于那些需要私有化部署、需要深度定制、需要把多模态能力嵌入自己产品的开发者来说，U1提供了一条GPT-Image-2无法提供的路。

原生统一：通往AGI必经之路

站远一步看，GPT-Image-2引爆的「生图大战」，本质上还是在模态割裂的范式里卷——比谁的文字渲染更准、比谁的分辨率更高、比谁的风格更多样。

这些当然重要，但它们都是「能力增量」，不是「范式变革」。

真正的AGI不会是一堆专用模块的拼接——人类的大脑不是「语言区负责想、视觉区负责看、运动区负责画」三个独立系统的机械组合，而是一个高度统一的认知体。

多模态AI要走向AGI，迟早要走「原生统一」这条路。

NEO-Unify是第一个真正意义上「全扔掉」的原生统一架构，这让它在学术和工程两个维度上都具有独特的坐标价值。

从GitHub和Hugging Face上的早期活跃度来看，NEO-Unify架构本身引发了大量技术讨论，已经有开发者在Apple Silicon上复现了NEO-Unify的toy-scale实验，验证MoT架构在小规模下的表现。

对于关注多模态统一范式前沿的研究者来说，U1的开源提供了第一个可以实际上手跑的原生统一模型。

8B只是开始

商汤在U1发布时明确表示：当前开源的U1 Lite是轻量版，团队正在沿着NEO-Unify架构继续Scale，更大参数规模的模型将在后续推出。

他们的信念是，基于高效的原生架构，可以用低得多的计算成本达到国际顶尖模型的水平。

这句话的潜台词是：8B已经打到了开源SOTA，当参数量Scale到几十B甚至更大时，NEO-Unify的架构红利会更加显著。

多模态AI正在经历一场「从拼接到统一」的范式迁移。

U1的全球开源，是这条路上的第一步——但从今天的效果来看，这一步已经走得足够扎实。

至于这条路最终通向哪里，答案或许得由全球社区的开发者们一起来写。

代码和权重已经上线了。剩下的，交给你们。