把 4K 生图门槛打下来！商汤开源 SenseNova U1.5 Lite

如今模型能力大幅跃升，用户的要求也随之水涨船高。文字渲染、复杂版式、多图参考、局部编辑、原生4K——这些过去需要多个工具协作才能完成的任务，现在正被压缩进同一套模型之中。 但「能力出现」和「能力可用」之间，依然横亘着不小的距离。一张商业海报可能同时包含人物、产品、商标文字、指定数量、前后空间关系、品牌色号以及若干禁改项，任何一个要素被模型遗漏，整张图就要推倒重来。而每一次推倒重来，都意味着新的token消耗。 8月3日，商汤开源 SenseNova U1.5 Lite Preview，初步展示了原生统一多模态模型在图像生成与编辑上的能力边界。今天，正式版 SenseNova U1.5 Lite继续向前迈出一步，目标是让这些能力真正融入视觉创作与交付流程。 通过精调训练数据、重调后训练流程、优化任务设计，最终打磨出的 SenseNova U1.5 Lite，是一款轻量级、原生统一多模态开源模型。它的目标也非常具体，就是解决用户最真实的诉求，做到更稳、更准、更好。 开源生图从来不缺尝试者。难的是在保持模型开放、轻量和可部署的同时，把画质、文字、布局与编辑放进同一个模型，而且每一项都不能成为明显短板。 在完整横向评测中，SenseNova U1.5 Lite 在所有维度都位于开源生图模型的领先位置，并且展现了比较均衡的系统能力，在复杂指令、视觉质量和创意生成等维度都表现出较强竞争力。 对于需要批量生成海报、电商图和营销素材的团队，这样带来的意义就很直接。同样的时间和预算，可以支持更多次尝试，也能把生成能力放进更高频的工作流。 一张竖版2:3复古城市旅行海报，香港维多利亚港，前景是木质红帆船，深红棕色帆面张开，海面有波纹和倒影；中景是现代香港天际线，密集高层建筑，右侧有一栋高耸圆角玻璃摩天楼，左中有带斜向交叉结构的尖顶高楼，建筑背后有灰绿色山体轮廓；远景天空为米白色，右上角有淡橙色柔和小太阳，天空中有几只飞鸟剪影。左上角是巨大的黑色窄长衬线英文标题“HONG KONG”，分两行排列，非常醒目；标题下方有红棕色小号英文副标题“HONG KONG”和几行小字说明。右上角有竖排中文“香港”，红棕色细长宋体，下方有小英文和红色印章式装饰。整体为复古高端旅行海报风格，摄影底图与平面排版结合，低饱和暖色调，米色纸张质感，轻微胶片颗粒，柔和雾气和空气透视，构图左重右轻，留白充足，画面安静怀旧，像高端城市旅游杂志封面。不要出现水印、二维码、品牌标志、乱码文字，不要现代游艇或快艇，不要高饱和蓝天或强烈夕阳，文字清晰准确。 真正困难的，是画布变大之后，模型还能不能稳住整张图的全局结构。标题、正文、图标和人物之间的关系不能散，局部的文字边缘、材质纹理和光影过渡也不能糊成一片。 前卫高定时装摄影。一位模特身着半透明纸质高定服装，由褶皱、折叠插片、层叠纸板构成。构图上方密集、下方留白，地面有一处红色折纸点缀。配色为绿玉色阴影、阳光黄透光纸边、中国红插片、纯白表面。关键词是摄影，前卫高定时尚大片，纸艺工程，风动感，实验冷静气质。 当这种保持能力逐渐稳定，图片模型才能从一次性生成器变成可反复沟通的创作工具。用户不再需要每次都推倒重来，可以在同一张作品上继续修改。 可能它需要保留第一张图里的人物身份，借用第二张图的色彩和材质，再沿用第三张图的版式关系。参考图之间不能互相污染，风格迁移也不能吞掉主体。 帮我为学校咖啡厅活动设计一张可爱的动漫海报，我想让绿发女孩当我们的厨师，酷男孩（图3）当服务员，黑发女孩（图4）当接待员。让那位严肃的男士（图1）当美食评论家，甜美金发女孩当开心的顾客。请添加一些简单的英文标题，比如“Sweet Cafe”，让它看起来像真正的活动传单。 可以看到最后的成图信息清晰，符合要求。时间 / 地点 / 菜单三个部分以小卡片的形式独立列出,还设计了 So yummy、Come & Enjoy 等符合人物形象的小对白，用气泡呈现增加了活泼感。 当你的灵感来自于他人的作品，这个时候就可以让模型参考之后进行再创作。就像我觉得下面这张图很好看，我想自己模仿这张图设计一张其他主题的海报。所以我就 更新图1中的主客厅插图，使其与图2中的蓝绿色沙发和几何配色方案相匹配。将现有的白色和橙色沙发替换为蓝绿色L型转角沙发，并更新地毯、扶手椅和墙面装饰，使其采用包含蓝绿色、芥末黄、陶土红、米色和深蓝色的几何图案。添加图3中那只戴着蓝绿色项圈的浅棕色卷毛贵宾犬，让它坐在房间中央扶手椅之间的几何图案地毯上。更新家具布局示意图和配色方案部分，以体现这一新的蓝绿色和几何配色主题。 在同一个模型架构之下，视觉理解、图像生成与图像编辑被共同训练。模型首先理解原始图像和用户指令，识别其中的主体、文字与空间关系，再完成像素级的最终生成。整个过程中，用户无需在理解模型、生成模型和编辑工具之间反复切换。 模型在视觉理解任务中习得了结构、位置、文字排布与信息层级，这些认知成果可以顺滑地迁移到生成和编辑任务中。面对一条较长的自然语言指令，模型需要解析的已经不是孤立的关键词，而是这些要求之间的内在关系：谁在左边，谁不能被遮挡，哪段文字属于哪个区域，修改时又有哪些内容必须被保留。这正是 U1.5 Lite 能够处理层级化视觉需求，却不需要依赖固定 JSON 模板的原因之一。 OCR 关心文字是否准确可读，美学关心构图、色彩和整体质感，编辑则还要兼顾主体身份与结构保持。如果简单地把所有训练目标混在一起，往往会出现一项能力变强、另一项反而被削弱的窘境。 商汤训练了 OCR、美学和编辑等多个 Expert：OCR Expert 强化中英文文字识别与排版质量，美学 Expert 改善构图、色彩、材质、光影和真实感，编辑 Expert 则负责确保主体身份、空间结构以及非编辑区域的一致保持。随后，通过 MOPD 将这些 Expert 的能力重新蒸馏回 U1.5 Lite 中。 在此基础上，正式版又引入了更精细的任务导向 RL。它优化的三个目标，都能与前面的测试维度一一对应：Instruction Compliance 关注复杂指令是否被执行完整，Visual Preference 关注构图、真实感和整体完成度，Editing Preservation 关注指定区域是否改对、其他区域能否保持不变。 能力仍在增长，行业却已经开始算账。投入多少，成本几何，回报又在哪。参数规模能快速制造话题，但真实视觉任务里的稳定性，靠的是数据、评测和一次次后训练，慢慢磨出来。 长指令会不会漏、文字能不能写对、4K下结构能否保持、局部编辑会不会破坏整张图，这些看似微小的问题恰恰决定了模型能不能真正进入海报、信息图、电商素材和品牌视觉的日常生产。 从 U1 到 U1.5 Preview，再到正式版，SenseNova 没有简单叠加一份更长的能力清单。它在尝试回答一个更实际的问题：一个轻量级、统一、开源的多模态模型，能不能更完整地承担真实视觉创作任务？ 把视野再拉开一点，视觉创作只是多模态进入现实世界的一站。一个模型需要先理解画面中的对象、文字和空间关系，才能进一步生成、编辑，最终与更复杂的真实环境发生连接。

本页 /product/rmy160516082340323287/