商汤科技 SenseNova U1.5-Lite-Preview 开源发布

SenseNova U1.5-Lite-Preview 最具决定性的设计选择并非参数数量——而是商汤科技删除的部分。该模型运行于商汤自研的NEO-unify架构之上，彻底摒弃了大多数多模态生成系统依赖的视觉编码器（VE）和变分自编码器（VAE），转而将像素与文字处理统一在一个共享的表示空间中 ^[1]。商汤科技解释称，拼接独立的编码器用于理解与生成会在每次编解码循环中引入信息损失；移除这一转换步骤旨在使像素与文字信息始终保持深层且内在的相关性 ^[1]。

‘8B-MoT’这一名称容易被误解为一个80亿参数的模型。实际上它指的是两个约80亿参数的堆栈——一个用于理解，一个用于生成——以混合Transformer（Mixture-of-Transformers）方式运行 ^[1]，简单相加后总参数量接近160亿，但每个部分仍保持紧凑结构。

在生成侧，U1.5引入了‘Patch-Joint Reconstruction’：使用ConvDecoder进行渐进式空间重建，取代大多数扩散类图像生成器中逐块独立预测的方式，商汤称此举可减少早期输出中可见的网格伪影 ^[2]。编辑功能也从附加特性升级为原生支持——模型可通过掩码、边界框和视觉标记实现区域可控编辑，并能在单次推理中融合多个参考图像生成新图 ^[2]。

纸面数据显示，U1.5-Lite-Preview 相较四个月前发布的原始U1有明显提升。商汤科技提供的对比显示，其Qwen-Image-Bench得分从47.14升至55.20，ImgEdit-Bench从3.90升至4.37，GEdit-Bench分数则从7.47升至8.17（英文）和7.42升至8.05（中文）^[3]。

其中Qwen-Image-Bench分数从约50跃升至55的部分，归功于一项名为‘SenseNova Image PE Skill’（Prompt Enhance，提示增强）的功能，该功能在生成前将简短、模糊的创意请求重写为结构化、详细的提示词 ^[2]。这一点值得强调，因为它意味着显著的性能提升来自提示层技巧而非纯粹的架构改进——实践中虽有用，但也使得‘模型本身变强’这一说法难以进行公平比较。

商汤科技的基准表格描绘了一条清晰、线性的进步曲线，但最早的实际体验反馈——集中在Reddit的AI图像社区——却呈现出更混乱的画面。多位在Hugging Face Space试用免费演示版的早期用户报告称，原生4K输出看起来模糊或软化，而非真正锐利，甚至出现一种流行应对方案：先将图像下采样至1–2K分辨率，再通过锐化超分工具处理，而非直接信任原始4K文件。其他用户还指出了具体失败案例，包括解剖学错误（如多出肢体）以及至少一位评论者直接斥为‘AI垃圾’的输出结果；另有用户推测（无证据）展示样例可能由其他更大模型生成，而非U1.5本身。

这些现象并未直接否定商汤科技的基准数据，社区讨论也注意到编辑操作能准确局限在指定区域而不影响图像其余部分。但这提醒我们，‘preview’一词在模型名称中确有实质意义：商汤官方披露的限制包括对模糊提示生成意外文本、小字号或密集文本错误、复杂布局遵循不完整、小脸小手不稳定，以及多轮编辑中的漂移问题 ^[2]。评测集与社区自由测试之间的差距，正是这些已知限制所预示的结果。

将U1.5-Lite-Preview作为免费、Apache 2.0许可的下载版本公开，同时将功能更强的‘U1 Pro’——被描述为面向专业创作者和企业用户的交付级模型——保留在闭源测试中，背后存在明确的战略意图 ^[3][4]。商汤科技将开源发布视为效率的证明，而非单纯的慷慨之举：公司宣称U1/U1.5的图像质量可媲美Qwen-Image 2.0 Pro和Seedream 4.5等更大商业模型，尽管开源版本体积更小 ^[5]。媒体报道也将此次发布置于更广泛的行业叙事中——即从纯参数规模竞争转向效率、细粒度控制和实用可用性的新阶段 ^[4]。

综合来看，这一发布顺序显得刻意为之：先开源轻量预览版以赢得开发者心智，公开验证架构效率主张，并收集真实世界压力测试反馈——包括Reddit已暴露的缺陷——再向付费企业客户推出商业级U1 Pro。