國產視覺AI老大，用一款開源模型宣告“縫合怪”時代終結

智東西
作者 三北
編輯 漠影

智東西7月16日報道，近日，商湯科技發布并全面開源日日新SenseNova-Vision理解生成統一視覺大模型，試圖宣告視覺AI“縫合怪”時代的終結。

截至當前，該模型綜合得分登頂Hugging Face Any-to-Any Leaderboard，位列該全模態任意輸入輸出開源模型榜單全球第一。
▲SenseNova-Vision在Hugging Face上的排名

長期以來，目標檢測、圖像分割、深度預測乃至3D重建，往往需要各自獨立的專家模型來完成任務，系統復雜且割裂。這種“模型拼盤”的架構在面對復雜、充滿干擾的現實場景時，往往力不從心，容易“抓瞎”。

SenseNova-Vision 的出現正是為了打破這一僵局。它試圖讓大模型從誕生之初就具備“看”與“理解空間”的能力，甚至能用自然語言來定義自己需要執行的任務。

根據同步發布的技術報告，SenseNova-Vision以單一模型覆蓋了結構化視覺理解、稠密幾何預測、圖像分割和多視角3D幾何四大核心任務，在與備受關注的國際領先模型（如Vision Banana）的可比指標上取得了顯著領先，任務覆蓋范圍也更加完整。

▲SenseNova-Vision在四大核心視覺任務的各項細分指標上，都有很強競爭力

值得一提的是，商湯此次同步開放了模型、代碼以及包含5000萬條樣本的開源視覺語料庫。一個延續了數十年的產業范式正在被改寫：視覺AI，會不會也迎來屬于自己的“GPT時刻”？

一、告別“縫合怪”：讓大模型原生學會“看物理世界”

要理解這一突破，首先需要明白：視覺AI為什么長期擺脫不了“縫合怪”的命運？

原因在于不同視覺任務的輸出形式天差地別。檢測要輸出邊界框坐標，分割要輸出像素級掩膜，深度估計要輸出稠密深度圖，3D重建要輸出點云和相機位姿。以往的技術路線只能針對每種輸出設計專門的算法頭、損失函數和解碼規則，導致視覺領域的研究天然分裂成一個個互不連通的“孤島”。

SenseNova-Vision的“大一統”路線，實現了兩個層面的根本性變革。

首先是任務本質的統一。它把眾多經典視覺任務——檢測、分割、深度、3D重建等，統一表述為多模態生成問題，不再為每個任務設計專屬的模型架構。這意味著，模型不再是一個個執行特定指令的機械的“工具箱”，而是將視覺空間理解能力作為其原生本能，內化于大模型體系之中。

▲SenseNova-Vision架構

其次是能力上的雙向增益。這形成了一種“數據”與“思維”的雙螺旋結構：

一是數據反哺大模型：視覺領域幾十年積累的海量高質量工業級數據，可以直接用來“喂養”大模型。檢測數據教會大模型定位，分割數據教會大模型區分邊界，深度數據教會大模型感知遠近，在統一的生成框架下被大模型完全吸收。

二是推理賦能視覺任務：大語言模型強大的泛化推理能力反向輸出，讓視覺任務“長出了腦子”。模型不再局限于執行預設任務，開發者甚至可以用一句自然語言，自主定義一個在訓練中從未被明確列出的新視覺任務。

并且通過和研究者的交流，這項工作的哲學意義也浮出水面：

計算機視覺曾經處于深度學習研究的中心，在當今涌向AGI的時代洪流中又該處在什么位置？SenseNova-Vision展示的是將計算機視覺融入AGI主線的可行性。

視覺AI不再是一個個孤島，而是正式并軌，成為通往通用人工智能（AGI）的主線任務之一。

二、硬剛全球最強：四大任務，一個模型通吃

SenseNova-Vision 展現出的泛化能力，已經超越了傳統“工具”的范疇，帶有了“世界理解模型”的雛形。在多個極端或復雜場景下，它對傳統模型形成了代際優勢。

評測數據表明，SenseNova-Vision在四大核心視覺任務上，以單模型之力比肩甚至超越了各領域的專用“專家模型”。與國際領先的同類模型Vision Banana相比，后者的技能點主要集中在兩類任務上，而 SenseNova-Vision 則實現了全任務覆蓋，在多項可比指標上均取得領先。

▲在與Youtu-VL和Vision Banana的橫向對比中，SenseNova-Vision在各項核心指標上表現突出

相較于冷冰冰的數據，模型在以下四個物理世界極端場景下的泛化表現，更能直觀展現其代際優勢。

1、零樣本“秒懂”我的世界

面對訓練集里從未出現過的畫面——比如游戲“我的世界”畫面，SenseNova-Vision無需任何微調，就能較快地同步完成表面法向預測、實例分割和目標檢測。影視、游戲創作者可以直接將其投入工作流，無需為每個新場景重新訓練。

▲零樣本場景下，模型對復雜游戲畫面的多任務同步解析

2、不再“密恐”：超稠密物體“剝離式”分割

在顏色極度相近、邊緣深度交織的密集場景中，傳統模型往往難以區分個體。而SenseNova-Vision能像外科手術般精準地將每個獨立個體剝離出來，為工業計數、智慧倉儲等場景提供了高精度的“上帝視角”。

▲對規整堆疊的鋼管實現了準確分割，目標輪廓完整、邊界清晰，相鄰鋼管之間區分明確；可視化結果布局規整，預測顏色具有足夠的辨識度。

▲相較于規整堆疊的鋼管，該場景中的鋼筋姿態各異、排列復雜，模型仍能準確識別并完整分割各個目標，同時有效區分扎帶、稻草等干擾物，避免誤分。

3、免疫“視錯覺”：不被欺騙的3D腦補

在借位攝影等視覺錯覺圖像中，傳統模型往往會給出錯誤的判斷。而SenseNova-Vision不僅能準確摳出被遮擋物體的完整輪廓，還能輸出完全正確的表面法向估計。它不被圖案和借位欺騙，這正是語言模型推理能力與稠密幾何預測完美融合的具象體現。

▲面對極具迷惑性的借位與 3D 視覺錯覺圖案，模型仍能準確還原場景的遠近關系與空間層次，并正確解析真實物理表面的朝向和結構，不受視覺錯覺干擾。

4、識破“鏡花水月”：看穿反射迷局

在包含鏡子、玻璃的復雜室內環境中，傳統視覺模型極易被鏡中倒影欺騙，分不清虛實。SenseNova-Vision能夠自動過濾反射干擾，準確估計鏡中物體的真實空間方向與深度關系，展現了對三維空間幾何本質的深刻理解。

▲面對鏡面反射，模型能準確估計真實的方向和深度

三、視覺AI走向基礎設施，產業邏輯正在重構

技術突破之外，更值得關注的是產業邏輯的變化。

長期以來，視覺AI的落地一直遵循“一場景、一模型、一開發”的重資產、項目制模式。比如，智慧工廠需要檢測缺陷就部署檢測模型，需要計數產品就部署分割模型，需要識別空間位置就部署深度模型。這種模式不僅邊際成本高，也限制了視覺AI在中小場景中的滲透。

SenseNova-Vision指向的是一種平臺化能力復用的新范式。開發者不再需要為檢測、分割、深度、3D重建分別建設和維護多套模型體系，單個模型即可覆蓋絕大多數高頻視覺需求。這種“大一統”大大縮短了研發周期、降低了部署成本，尤其適合復雜圖像、開放場景下的視覺應用開發。

商湯的產業積累為這次發布提供了獨特的底氣。官方資料顯示，商湯已連續十年蟬聯中國視覺AI市場份額第一，并在2025年首次登頂視頻分析賽道全球市場份額第一及亞太地區市場份額第一。十余年間，商湯在工業質檢、自動駕駛、智慧零售等數十個細分領域中積累的場景理解和數據，為模型訓練提供了重要燃料。

此次開源更是一個關鍵信號。模型、代碼、訓練配方和5000萬條高質量語料樣本全部開放，意味著全球開發者可以基于這套框架驗證結果、復現實驗、繼續研發。商湯還提供了完整的轉換規則和腳本，社區可以利用公開數據集重現完整的訓練流程。這種開放程度在視覺模型領域極為罕見。

結語：劍指物理世界，視覺AI的“大航海時代”開啟

曾經有人將AGI分為三個層級：

-第一層是文字或符號級別的AGI，以大語言模型和Agent為代表；

-第二層是Computer Use級別的AGI，計算機世界已成為這個時代的“語言”，視覺是不可或缺的能力；

-第三層是能夠在真實世界中觀察、思考、交互的最終AGI——“以哈勃望遠鏡和冷凍電鏡為眼，以星艦為載具，以計算中心為大腦，幫人類通向更廣袤的未知。”

那么SenseNova-Vision瞄準的，就是向第二層和第三層跨越的關鍵：讓AI真正“看懂”并“理解”物理世界。

它的意義不僅在于“一個模型頂多個用”，更在于把經典計算機視覺數十年的全部積累，以統一多模態生成的方式接入通用基礎模型，使視覺感知成為大模型的原生組成部分。

這條路能走多遠，取決于接下來社區如何接力、場景如何驗證、規模如何擴展。但方向已經清晰：視覺AI的“大航海時代”，或許就從告別“縫合怪”的這一刻真正開啟。

Hugging Face體驗地址：
https://huggingface.co/collections/sensenova/sensenova-vision
GitHub代碼倉庫:
https://github.com/OpenSenseNova/SenseNova-Vision
魔搭社區:
https://modelscope.cn/models/SenseNova/SenseNova-Vision-7B-MoT
技術報告：
https://arxiv.org/abs/2607.06560