多模态迎来「架构换代」：商汤连出两张牌，划定大一统基座新标准
编辑｜杜伟
刚刚结束的 2026 年世界人工智能大会（WAIC） ，具身智能与 AI 终端占据了最显眼的位置，人形机器人、灵巧手和各类智能硬件吸引了大量目光。
展台上的热闹之外， 模型架构的演进 构成了大会的另一条技术线。
在备受关注的多模态模型领域，行业长期陷入「 搭积木」式的困境：理解、生成、编辑和行动往往分散在不同的专家模块中。 这种拼接架构带来了严重的「 信息衰减」 —— 任务链越长，信息传递时的损耗和误差就越大，最终演变成「 听懂了但画不对」、「 改了局部破坏全局」的行业痛点。
这类架构问题被摆上了台面，业界急需新的解题思路。
近日，商汤科技在 WAIC 2026 发布了日日新 SenseNova U1 Pro （以下简称 U1 Pro），这款面向长程任务的交付级原生多模态智能体基座模型，将理解、生成和行动纳入统一的能力框架。
而在 WAIC 召开前夕，商汤还开源了日日新 SenseNova-Vision 视觉大模型，将目标检测、图像分割、深度预测和三维重建等经典计算机视觉任务，直接沉淀为通用大模型的原生能力。
这连续两次出手，并非孤立的技术发布。如果说 U1 Pro 代表了商汤在「 上层复杂视觉创作与交付」上的原生突破，那么 SenseNova-Vision 则回答了「 底层物理世界感知与几何物理表达 」如何统一进通用大模型的终极命题。 两者的交汇，标志着商汤已率先卡位下一代原生统一多模态基座 。
「单次生成」到「长程创作」
探索视觉内容系统化交付
要实现商汤科技董事长兼 CEO 徐立提出的「Agentic Creation 智能体创作」范式，模型需要围绕复杂目标持续理解、规划、生成、检查和修正，最终交付可以直接使用的结果。
这对模型底层架构提出了更高要求。U1 Pro 的技术基石 ——NEO-unify 原生统一架构，正是商汤给出的答案。
NEO-unify 让理解、生成和编辑共享同一套表征空间：其核心设计包括支持输入与输出的近乎无损视觉接口，采用原生 Mixture-of-Transformer（MoT）架构协同视觉理解与生成，并在统一学习框架中，分别以自回归交叉熵训练文本、以像素流匹配训练视觉。
SenseNova U1 Pro 官网：https://www.sensenova.cn/u1-pro
这套架构大幅降低了跨模态交互时的信息损耗。基于此， U1 Pro 展现出面向真实产业场景的交付能力 ：
首先是 设计美感的突破 。对于商业海报、品牌视觉、知识信息图这类真实创作任务，审美不只是锦上添花，它本身就是交付的一部分。U1 Pro 侧重构图、色彩、版式和视觉层级等更接近专业设计语言的维度，让模型能够理解「好看」背后的设计逻辑。
其次是 8K 原生超清输出 。 超长画幅和高信息密度图片放大之后很容易出现文字变形、线条断裂和模块错位等问题。U1 Pro 在大尺寸下依然能够保持文字、图标和版式关系的清晰稳定，提高了高密度视觉任务的工程可用性。
第三是 图文与细节控制能力 。信息图、科普图解、PPT 页面、装配说明等任务，对模型的要求远高于一般意义上的图像生成，要组织视觉元素，还要梳理信息关系、维持版式秩序，并尽可能降低文字渲染错误。U1 Pro 在这部分强化的，本质上是图像生成与信息表达之间的耦合能力。
最后是 长程 Agentic 闭环思维 。它支持围绕复杂目标进行数十轮 Agentic Generation Loop，在图文交错的任务过程中思考、校验和修正，并实现整体风格与局部文本的同步精准编辑。
就像在「 预测美加墨世界杯」中，商汤展现出的从「 一次性灵感工具」到「 长程交付者」的进化：先通过 Skills 自动搜集和分析战术数据，再将晋级路径、球员对位、战术体系、传球网络和触球热力图等内容组织成可视化报告，自动组织成逻辑严密、排版精美的可视化报告，完美实现「 搜集 — 推理 — 视觉交付」的全链路闭环。
U1 Pro 最核心的价值，在于 它将行业对视觉模型的评价标准，从「 抽卡式的单张画面惊艳度」，拉升到了「 复杂长程任务的稳定完成度」 。
视觉创作的竞争，也由单次结果的惊艳程度，延伸到一整条任务链的稳定运行。当然，系统级交付仍需接受更多开放环境检验，比如长程任务成功率、错误恢复能力、多轮运行成本以及跨场景稳定性。
重写经典视觉底层范式
视觉任务即多模态生成
如果说 U1 Pro 关注的是如何把复杂信息图转化为直接交付成果， SenseNova-Vision 则在更底层的维度切入，解答了经典视觉任务如何融入通用多模态基座体系的问题。
过去数十载，经典计算机视觉一直依赖「 专家分工」系统，检测、分割、深度估计、三维重建各套模型拥有各自的预测头（Task-Specific Heads）、损失函数、解码规则与评测协议。这套体系非常成熟，也支撑了大量产业应用，但结构性代价同样明显。数据割裂在独立管线中，能力无法跨任务复用，每增加一种新需求，系统就需要接入新的模型或专用模块。任务越多，系统越重。
SenseNova-Vision 提出了颠覆性的解法：系统性地将多类异构视觉任务，表述为原生多模态生成问题 。
它彻底摒弃了繁复的 Task-Specific Heads，在同一个共享的表征空间内，对文本、像素、语义信息和几何特征进行端到端统一建模：
类别、坐标、OCR 结果等 符号化答案 ，通过文本生成表达；
分割掩码、深度图、表面法线等与空间对齐的 密集预测 ，通过图像生成表达；
复杂场景则直接采用 图文交错混合输出 。
所有视觉任务的输出没有强行被压缩成单一格式，保留了文本和图像各自擅长的表达空间 。