6.3
深览指数
科技智东西·李水青··AI 生成
国产视觉AI老大，用一款开源模型宣告“缝合怪”时代终结
商汤科技发布并开源了名为“日日新SenseNova-Vision”的统一视觉大模型，该模型在Hugging Face的全模态榜单上排名全球第一。其核心突破在于，将目标检测、图像分割、深度估计和3D重建等传统上各自独立的视觉任务，统一在一个多模态生成框架内，并利用大语言模型的推理能力提升视觉理解的鲁棒性（例如克服视觉错觉和镜面反射干扰）。本文提供了技术细节和极端场景下的泛化能力演示，并指出这种“大一统”架构可能改变视觉AI产业“一场景一模型”的高成本落地范式，但尚缺少对模型局限性和社区验证状态的独立分析。适合对AI前沿技术趋势、产业落地逻辑感兴趣的深度读者阅读。原文 ↗
核心观点
- ▍商汤SenseNova-Vision用一个统一的、原生的多模态生成模型取代了由多个独立专家模型拼凑的视觉AI架构，宣告了“缝合怪”时代的终结，并试图让视觉感知成为大模型的原生能力，从而融入通往AGI的主线任务。
- ▍这种“大一统”架构在产业层面的意义在于，它可能改变视觉AI落地长期遵循的“一场景、一模型、一开发”的高成本、项目制模式，推动一种平台化能力复用的新范式。
- 01SenseNova-Vision在Hugging Face的Any-to-Any Leaderboard上登顶，综合得分全球第一。
- 02该模型以单一架构覆盖结构化视觉理解、稠密几何预测、图像分割和多视角3D几何四大核心任务，在多项可比指标上领先于被作者称为“Vision Banana”的国际领先模型。
- 03模型展示了在零样本（如“我的世界”游戏画面）、超稠密物体分割（如堆叠的钢管与钢筋）、识别视觉错觉（借位摄影）和看穿镜面反射等极端场景下的泛化能力。
- 04商汤同步开源了模型、代码和包含5000万条样本的视觉语料库，提供了完整的训练配方、转换规则和脚本，鼓励全球社区复现和继续研发。
- 05作者引用了商汤的商业背景作为其独特优势：连续十年中国视觉AI市场份额第一，2025年在全球视频分析赛道市场份额第一。
反方 / 局限
- — 文章本质上是商汤产品的发布报道，缺乏独立第三方对SenseNova-Vision模型能力、训练成本、推理效率以及与传统专家模型优缺点对比的客观验证或批评性分析。
- — 文中的技术对比对象“Vision Banana”并非业界公认的主流或知名模型，使得其性能领先的宣称缺乏在更强基线（如SAM、Detectron2、MiDaS等）上的横向比较，说服力有限。
13 分钟 · 3 卡片 · 9 资料
读原文 →