超越 Vision Banana，商汤开源 SenseNova-Vision：视觉任务大统一，经典视觉并入大模型

先说一个核心判断：视觉大模型赛道，正在发生一次根本性的范式转移。

今天，商汤科技正式发布并全面开源了日日新 SenseNova-Vision——这是一款视觉理解与生成统一的大模型，也是商汤日日新体系在视觉能力上的一次关键升级。如果只是看到“开源”“发布”这样的字眼，可能觉得不过又是一次常规迭代，但这次不太一样。

以往的“统一视觉”方案，说白了就是把检测、分割、深度预测这些不同领域的专家模型打包在一起，虽然叫“统一”，但本质上还是各干各的，彼此之间没有实质性的协同。而 SenseNova-Vision 的核心变革在于：让视觉能力真正成为通用大模型的原生组成部分，而不是附加上去的插件。所有经典视觉任务——目标检测、图像分割、深度预测、3D 重建等——都在这个框架下实现了原生统一。

这种“原生融入”带来的好处，体现在两个方向上：

• 数据反哺：视觉领域积累了几十年的高质量数据，直接喂给大模型底座，相当于给它装上了一双真正理解世界的眼睛。
• 思维赋能：反过来，大语言模型的推理能力又让视觉任务之间融会贯通，甚至可以用自然语言直接定义全新的视觉任务。这已经不是简单的“1+1=2”了。

数据不会说谎。在视觉 AI 这个战场上，商汤已经连续十年稳居中国市场份额第一，2025 年更是首次拿下全球视频分析赛道市场份额第一，亚太地区同样位列榜首。SenseNova-Vision 的发布，等于把这种持续领先的视觉能力，彻底融入了统一的多模态大模型体系。这不仅仅是技术升级，更是一次能力层级的跃迁：从“执行工具”向“世界理解模型”的本质蜕变。它不再只是识别图像中的物体，而是真正开始理解物理世界的逻辑。

这种“大一统”的设计，带来的变化是碘伏性的：

• 跨任务知识互补，真正实现了 1+1>2。模型通过联合训练，激活了不同任务之间的内在协同。举个例子，深度估计的知识能强化语义分割的空间理解，而分割能力反过来又能辅助检测任务更精准地判断边界。最终得到的，是单任务模型永远无法企及的抽象推理能力——面对从未见过的任务和场景，也能从容应对。
• 从“工具执行者”升级为“通用理解者”。这个统一范式，重新定义了视觉智能的形态。模型不再是只能执行特定指令的工具，而是作为大模型的原生能力，成长为对视觉世界拥有深刻认知的基础多模态底座。

商汤 SenseNova-Vision 的发布和开源，已经验证了“统一多模态生成”这条技术路线的巨大潜力。更重要的是，它显著降低了视觉 AI 的应用门槛。开发者不再需要为不同的任务维护多套模型体系，一个模型就能覆盖绝大多数高频视觉需求。研发周期大幅缩短，部署成本也随之降低，尤其适合复杂图像和开放场景下的视觉应用开发。

与此同时，商汤还同步开源了一个包含 5000 万条高质量样本的视觉指令语料库——SenseNova-Vision Corpus-50M。这个动作，对全球 AI 生态来说，算得上是一剂强劲的催化剂。

按照规划，未来商汤会把 SenseNova-Vision 的核心技术全面融入日日新 U 系列大模型中，持续探索构建更强大的统一多模态基座模型。方向很明确：迈向能够更深刻感知、推理和交互物理世界的通用人工智能与世界模型。