SenseNova U1.5：从理解图像到生成 4K 图片，关键改动在哪里？

一款模型既能读懂图片，又能生成和编辑图片，难点不只是把功能装进同一套系统：图像如何进入模型，生成结果又如何保持细节连贯，同样重要。商汤的 SenseNova U1.5 采用约 80 亿参数的混合 Transformer（MoT）架构，不使用外部视觉编码器，也不依赖变分自编码器（VAE）解码生成图像，而是在共享视觉接口上完成理解、推理与创作。其技术报告称，模型支持最高 4096×4096 像素的原生图像生成。13

同一视觉接口，怎样兼顾“看”与“画”？

U1.5 用视觉 token 表示图像，每个 token 对应一个 32×32 像素区域。这让图像成为模型可处理的序列；生成时，模型再将视觉状态重建为 RGB 像素，而非交给 VAE 从潜在表示中解码。所谓“统一”，指的是理解与生成共享这套视觉处理方式，并不是把几个独立工具简单串联起来。121

相较前代 U1，影响高分辨率画质的一项改动发生在最后的图像重建环节。U1 的逐块多层感知机（MLP）分别预测各个图像块，高分辨率下可能露出网格或接缝。U1.5 则先将视觉状态还原为二维排列，再用包含渐进式 Pixel Shuffle 和 3×3 卷积的轻量级空间解码器重建图像，让相邻区域在成图时能够相互影响。1322

面向最高 4096×4096 像素的生成，商汤还加入了分辨率感知噪声条件：将与分辨率相关的噪声尺度嵌入结合生成时间步，以适应输出尺寸变化带来的噪声差异。空间解码器针对图像块之间的连续性，噪声条件针对不同生成尺寸；两者旨在提高 4K 生成的稳定性，并不意味着生成结果一定没有瑕疵。1329

为什么先训练“专家”，最后却只用一个模型？

商汤将后训练概括为先专精、再统一：分别优化视觉美感、中英文文字呈现、信息图生成和图像编辑等方向的专家，再通过多专家同策略蒸馏，把这些能力整合进统一模型。专家是训练过程的一部分，不代表每次使用 U1.5 都必须同时运行多款专用模型。129

商汤报告称，与 U1 相比，U1.5 改善了高分辨率细节、空间连贯性、文字呈现、版式和编辑效果，同时保留无外部视觉编码器、无 VAE 的理解与生成架构。报告列出的成绩包括 GenEval 0.92、CVTG-2K 0.948、ImgEdit 4.59。这些是报告中的评测结果，不能据此断言模型在所有视觉任务上都优于前代。1328

正式版、预览版与训练代码，分别是什么状态？

U1.5 技术报告已公开；Hugging Face 上也有名为 SenseNova-U1.5-8B-MoT 的正式版模型页面。它与 SenseNova-U1.5-8B-MoT-Preview 页面，以及商汤另行公布的 U1.5-Lite-Preview，是不同的发布对象，不能用预览版资源代替正式版模型来描述。1312213

至于复现训练所需的代码，商汤的表述是将开源监督微调、强化学习和同策略蒸馏等训练代码。技术报告和模型页面已经公开，并不等于这套承诺中的训练代码已完整发布。13