商汤开源统一视觉模型
智东西 · wechat · 2026-07-16
商汤发布并全面开源统一视觉大模型 SenseNova-Vision，主打把检测、分割、深度估计、3D 重建等经典视觉任务统一到同一个多模态生成框架里。文章称它在 Hugging Face 的 Any-to-Any Leaderboard 上综合得分登顶，并开放了模型、代码、训练配方和 5000 万条样本语料。
这套方案试图终结视觉 AI 里长期存在的“缝合怪”模式：过去不同任务往往各用一套专家模型，而 SenseNova-Vision 把任务本质统一为生成问题，让模型原生具备“看”和“理解空间”的能力。文中强调，这不仅让视觉任务之间形成能力共享，也让自然语言可以直接定义新的视觉任务。
文章还展示了几个泛化案例：零样本理解《我的世界》画面、处理超稠密物体分割、识破视觉错觉、看穿镜面反射。作者将其上升为视觉 AI 走向通用基础模型的一步，并认为它可能推动视觉 AI 从项目制走向平台化基础设施。
所属事件:商汤开源统一视觉大模型 SenseNova-Vision(2 条相关)→
「多模态」频道最新
- Fish Audio 开源发布 Drama 3 TTS,博主演示旧帖一键转有声视频 — alex_verem · 2026-10-27
- Reddit 用户用 ComfyUI 生成逼真「清晨公交」短片 — no3us · 2026-10-27
- 网友为 MOSS 模型做模糊/防模糊 Slider LoRA,负权重让背景更清晰 — NoMouse9610 · 2026-10-27
- PixGR：像素空间生成式解码加速前馈 3D 高斯重建 — kwangmoo_yi · 2026-10-27
- Krea-2 Turbo 搭配 ComfyUI 做产品广告图，作者晒提示词与成片效果 — comfy-king-999 · 2026-10-27
- Marigold V2 深度估计支持高分辨率分块推理，登陆 ComfyUI — AntonObukhov1 · 2026-10-27