SenseNova U1.5：一個 8B 模型，兼顧睇圖與生成 4K 圖像

生成圖像的 AI，通常令人先想到「畫得靚唔靚」；但如果同一個模型仲要睇懂圖片、理解畫面關係，再按要求修改圖片，難題就唔止係畫質。商湯的 SenseNova U1.5 嘗試將圖像理解、視覺推理、生成和編輯放進同一個約 80 億參數的 Mixture-of-Transformers（MoT，混合 Transformer）模型。它不依賴外置視覺編碼器讀圖，也不用變分自編碼器（VAE）把生成結果解碼成圖片，而是在共用視覺介面之上重建 RGB 像素。商湯的技術報告將這套設計定位為兼顧理解能力與最高 4K 圖像生成的路線。13

同一個模型，點樣「睇」同「畫」？

U1.5 將圖像區域表示成對應 32×32 像素的視覺 token，讓模型以較精簡的序列處理視覺資訊，毋須另外接上一個視覺編碼器。生成時，解碼器則把模型的視覺狀態重建為 RGB 像素，而不是交由 VAE 解碼圖像的潛在表示。這個共用介面，是它把理解、推理與創作放在同一架構的關鍵。121

相較上一代 U1，最值得留意的改動是圖像塊如何重新拼成完整畫面。U1 的多層感知機（MLP）輸出頭逐塊獨立預測像素；解像度提高時，圖像塊邊界可能變成看得見的格紋或接縫。U1.5 則先把視覺狀態排回二維網格，再用輕量級空間解碼器，透過逐步 Pixel Shuffle 和 3×3 卷積重建畫面。換句話說，相鄰區域在重建時可以互相影響，不再完全各畫各的。1322

要把生成尺寸推高至 4096×4096 像素，商湯還採用「分辨率感知噪聲條件」：將隨輸出解像度改變的噪聲尺度資訊，與生成時間步結合，讓模型考慮不同尺寸下的噪聲變化。空間解碼器針對圖像塊之間的連貫性，噪聲條件則針對尺寸變化；兩者的目標是令原生 4K 生成更穩定，並不等於保證每張圖片都沒有瑕疵。1329

點解要先訓練多個「專家」？

商湯採取的是先專精、後統一的訓練方式：先針對視覺美感、中英文文字呈現、資訊圖表和圖像編輯優化專門模型，再透過多專家同策略蒸餾，把能力整合到統一模型。這些「專家」屬於訓練過程的一部分，不代表用家每次提出要求時，都要同時運行四個獨立模型。129

商湯表示，相較 U1，U1.5 在高解像度細節、畫面空間連貫性、文字呈現、版面及編輯方面都有改善，同時保留毋須外置視覺編碼器與 VAE 的理解及生成設計。其公布的評測成績包括 GenEval 0.92、CVTG-2K 0.948，以及 ImgEdit 4.59。這些是報告中的評測結果，不能直接當成它在每一項視覺任務都勝過 U1 的獨立證明。1328

完整版、Preview，同訓練程式碼要分清

U1.5 技術報告已公開；Hugging Face 亦有獨立頁面列出 SenseNova-U1.5-8B-MoT 完整模型 checkpoint。它與 U1.5-8B-MoT-Preview 頁面，以及商湯另行公布的 U1.5-Lite-Preview，不是同一項模型資產；查閱或下載時，不應把預覽版當作完整版。1312213

至於訓練程式碼，商湯的說法是將會開源監督微調、強化學習和同策略蒸餾相關程式碼。技術報告已公開、模型有上架頁面，都不等於承諾中的完整訓練程式碼已經全部提供。13