多模态新突破：商汤U1开源，连续图文生成告别拼接

近日，APPSO发布了对商汤最新开源多模态模型SenseNova U1的实测。这个模型最大的看点，是实现了行业首创的连续图文生成——不再需要外部工具把图片和文字拼接起来，而是由同一个模型连贯输出图文内容。在信息图生成上，它也达到了开源模型中的SOTA水平，并支持本地部署与Agent调用。这意味着多模态生成正在从“拼接”走向“原生”。

开源即硬核：两个版本，权重全放

SenseNova U1是商汤最新开源的多模态模型，属于Lite系列，提供两个参数版本。8B版本全称SenseNova-U1-8B-MoT，面向边缘设备；A3B版本全称SenseNova-U1-A3B-MoT，总参数38B，激活参数3B，推理成本更低。目前模型权重已在Hugging Face和GitHub开放下载，开发者可自行获取。

连续图文生成如何工作？

简单说，输入指令后，模型会先写一段文字、再画一张对应的图，如此交替，形成完整的图文叙事。APPSO在测试中让它创作绘本故事：小熊经历四季的情节，文字与插画连续生成，画风保持一致。类似的测试还包括发型设计、游戏角色设计，以及牛油果变成盆栽的创意表达。这些任务过去通常要拼接多个模型才能完成，现在一个模型就足够了。这种能力的意义在于，它把过去需要多个模型协作才能完成的“图文编写”任务，压缩成了一个模型的一次推理。

信息图：一句话出一张图

信息图是SenseNova U1的重点场景。测试中，只需一句话生成“DeepSeek V4信息图”，模型就会联网搜索获取信息，再输出一张图文混排的整图；直接发送链接，同样能生成信息图。更复杂的例子包括电子烟3D拆解科普、武汉三鲜豆皮制作步骤、防晒霜SPF/PA值挑选指南，以及AI大模型工作原理图。营销场景里，它能生成上海旅行信息图；办公场景里，五页会议纪要可以被压缩成一屏总结图。它还能生成品牌风格参考图，给出配色、排版、氛围关键词，并具备数据可视化的能力。从这些例子看，信息图已经能从模板拼图走向复杂内容的自动组织。

原生架构与Agent生态

支撑这些能力的，是行业首创的NEO-unify原生架构。它让多模态理解与生成高效统一，视觉接口近似无损，直接输入图像分块，不经过预训练编码器压缩，文本与视觉训练端到端打通。在图像理解、图像生成和视觉推理基准测试中，SenseNova U1达到同量级开源模型SOTA，多项指标媲美Nano Banana等闭源模型，同时消耗token更少、生成效率更高。这意味着在同等效果下，U1的运行成本更低，更适合实际生产环境。

商汤还在GitHub开源了面向Agent运行时的AIGC技能库SenseNova-Skills，可接入OpenClaw、Hermes等Agent平台一键调用。这意味着U1不仅能本地运行，还能成为智能体的“图文工具箱”，让Agent真正具备边想边画的能力。

从绘本到信息图，SenseNova U1展示了一条新路：多模态模型不必靠拼接，也能做好“图文并茂”。随着权重和技能库双双开源，开发者和创作者可以在本地或Agent工作流中，把这套能力变成自己的生产力。