把 4K 生圖門檻打下來！商湯開源 SenseNova U1.5 Lite 當前關注

2026-08-21 14:23:05來源：硅星人

作者｜樊雅婷微信｜FFF111f__

以前的 AI 生圖，連六根手指、文字亂碼、透視錯亂這類基本關都過不了，更不用說商用了。

(相關資料圖)

如今模型能力大幅躍升，用戶的要求也隨之水漲船高。文字渲染、復雜版式、多圖參考、局部編輯、原生4K——這些過去需要多個工具協作才能完成的任務，現在正被壓縮進同一套模型之中。

但「能力出現」和「能力可用」之間，依然橫亙著不小的距離。一張商業海報可能同時包含人物、產品、商標文字、指定數量、前后空間關系、品牌色號以及若干禁改項，任何一個要素被模型遺漏，整張圖就要推倒重來。而每一次推倒重來，都意味著新的token消耗。

甲方的無數條修改意見，就這樣在反復生成中被放大為高昂的算力成本。

正因如此，當生圖模型真正進入創作流程之后，用戶的訴求已經非常明確：更快的時間，更好的交付，更低的成本。

8月3日，商湯開源 SenseNova U1.5 Lite Preview，初步展示了原生統一多模態模型在圖像生成與編輯上的能力邊界。今天，正式版 SenseNova U1.5 Lite繼續向前邁出一步，目標是讓這些能力真正融入視覺創作與交付流程。

這一次升級，商湯沒有繼續在模型規模上做文章。

由 SenseNova U1.5 Lite生成的圖書封面

通過精調訓練數據、重調后訓練流程、優化任務設計，最終打磨出的 SenseNova U1.5 Lite，是一款輕量級、原生統一多模態開源模型。它的目標也非常具體，就是解決用戶最真實的訴求，做到更穩、更準、更好。

先把分數擺上來

開源生圖從來不缺嘗試者。難的是在保持模型開放、輕量和可部署的同時，把畫質、文字、布局與編輯放進同一個模型，而且每一項都不能成為明顯短板。

SenseNova U1.5 Lite 與主流開源、閉源圖片模型橫向Benchmark

在完整橫向評測中，SenseNova U1.5 Lite 在所有維度都位于開源生圖模型的領先位置，并且展現了比較均衡的系統能力，在復雜指令、視覺質量和創意生成等維度都表現出較強競爭力。

正式版的提升沒有集中在某一項孤立技能上。生成質量、指令執行和編輯能力都在進步。

U1.5 Lite 還能在確保更高性能同時，實現更少的生成延遲。下圖顯示了測評中，SenseNova U1.5 Lite在 OneIG（EN、ZH）、LongText（EN、ZH）、BizGenEval（Easy、Hard）、CVTG、IGenBench 與 Qwen-Image-Bench 上的生成延遲與平均性能對比。

對于需要批量生成海報、電商圖和營銷素材的團隊，這樣帶來的意義就很直接。同樣的時間和預算，可以支持更多次嘗試，也能把生成能力放進更高頻的工作流。

不過，Benchmark 終究是一張坐標圖。

把這些分數塞進一份真實的設計需求，事情才開始變得有意思。

一些實測

一條長Prompt，能不能變成一張完整海報

以前的 AI 生圖，提示詞太長，模型執行指令時候就會變成金魚，出現遺忘現象。

所以，第一個測試，是一條長得有些不講道理的Prompt。

可以看到效果不錯，從真的理解到真的執行。

4K不只是把畫布放大

高分辨率生成最容易被誤解成像素數量的簡單增加。

真正困難的，是畫布變大之后，模型還能不能穩住整張圖的全局結構。標題、正文、圖標和人物之間的關系不能散，局部的文字邊緣、材質紋理和光影過渡也不能糊成一片。

U1.5 Lite 正式版原生支持 2K 和 4K 生成。在廣告級的畫幅下，細節經不經得起推敲，一張圖說了不算，放大到 100% 才算。

所以我決定拿時尚封面雜志來試。

可以看見成片保留要求的同時保留了紙張褶皺、皮膚紋理的真實感。

改一個地方，其他地方不動

第三組測試從一張已經完成的海報開始。

我給的提示詞是

再來一個更細節的。我給的 prompt 是

可以看到，這兩次海報的局部編輯，除了我的要求，其他地方什么都沒改變。

算是高質量的修改交付。

這也對應U1.5 Lite正式版后訓練中的一個重要目標：Editing Preservation。

好的編輯需要同時完成兩個動作。一邊準確執行修改，一邊保護原圖。該動的地方要動，不該動的地方盡量別動。

當這種保持能力逐漸穩定，圖片模型才能從一次性生成器變成可反復溝通的創作工具。用戶不再需要每次都推倒重來，可以在同一張作品上繼續修改。

下面我們嘗試下保持參考圖的風格和布局，進行編輯：

參考圖

成圖

接下來，我計劃再給模型多看幾張圖，難度還會繼續增加。

多張參考圖融合出成片

多圖參考真正難的地方，是模型能不能分清每張圖的職責。

可能它需要保留第一張圖里的人物身份，借用第二張圖的色彩和材質，再沿用第三張圖的版式關系。參考圖之間不能互相污染，風格遷移也不能吞掉主體。

U1.5 Lite支持單圖、多圖參考，以及 Bounding Box、Visual Marker 等控制方式。用戶可以指定對象和區域，完成元素插入、替換、局部精修和參考風格遷移。

我把我喜歡的動漫角色都放進一張海報里。

上傳這五張圖片之后，我給的 prompt 是：

可以看到最后的成圖信息清晰，符合要求。時間 / 地點 / 菜單三個部分以小卡片的形式獨立列出,還設計了 So yummy、Come & Enjoy 等符合人物形象的小對白，用氣泡呈現增加了活潑感。

模仿、借鑒，再創作

當你的靈感來自于他人的作品，這個時候就可以讓模型參考之后進行再創作。就像我覺得下面這張圖很好看，我想自己模仿這張圖設計一張其他主題的海報。所以我就

最后的效果呈現，實力無需多言。

圖一圖二圖三成圖

當模型能夠區分參考誰的主體、借用誰的風格、沿用誰的布局，多圖參考才真正離開玩法展示，進入創作流程。

一個模型，怎樣同時做好幾件事

SenseNova U1.5 Lite 延續了 NEO-unify 的原生統一多模態路線。

在同一個模型架構之下，視覺理解、圖像生成與圖像編輯被共同訓練。模型首先理解原始圖像和用戶指令，識別其中的主體、文字與空間關系，再完成像素級的最終生成。整個過程中，用戶無需在理解模型、生成模型和編輯工具之間反復切換。

統一帶來的價值，還進一步體現在能力的遷移上。

模型在視覺理解任務中習得了結構、位置、文字排布與信息層級，這些認知成果可以順滑地遷移到生成和編輯任務中。面對一條較長的自然語言指令，模型需要解析的已經不是孤立的關鍵詞，而是這些要求之間的內在關系：誰在左邊，誰不能被遮擋，哪段文字屬于哪個區域，修改時又有哪些內容必須被保留。這正是 U1.5 Lite 能夠處理層級化視覺需求，卻不需要依賴固定 JSON 模板的原因之一。

但統一訓練解決了能力共享的問題之后，新的矛盾也隨之浮現。

OCR 關心文字是否準確可讀，美學關心構圖、色彩和整體質感，編輯則還要兼顧主體身份與結構保持。如果簡單地把所有訓練目標混在一起，往往會出現一項能力變強、另一項反而被削弱的窘境。

正式版的應對策略，是讓各項專項能力先分別變強。

商湯訓練了 OCR、美學和編輯等多個 Expert：OCR Expert 強化中英文文字識別與排版質量，美學 Expert 改善構圖、色彩、材質、光影和真實感，編輯 Expert 則負責確保主體身份、空間結構以及非編輯區域的一致保持。隨后，通過 MOPD 將這些 Expert 的能力重新蒸餾回 U1.5 Lite 中。

最終部署的，仍然只有一個模型——沒有額外的 Router，用戶也無需關心該調用哪一個 Expert，生成和編輯繼續通過統一接口完成。

在此基礎上，正式版又引入了更精細的任務導向 RL。它優化的三個目標，都能與前面的測試維度一一對應：Instruction Compliance 關注復雜指令是否被執行完整，Visual Preference 關注構圖、真實感和整體完成度，Editing Preservation 關注指定區域是否改對、其他區域能否保持不變。

最后交付的，仍然是 U1.5 Lite，一個輕量級、易部署的統一模型。

多模態是一件慢回報的事

把鏡頭拉遠，多模態模型正在進入一個更現實的階段。

能力仍在增長，行業卻已經開始算賬。投入多少，成本幾何，回報又在哪。參數規模能快速制造話題，但真實視覺任務里的穩定性，靠的是數據、評測和一次次后訓練，慢慢磨出來。

長指令會不會漏、文字能不能寫對、4K下結構能否保持、局部編輯會不會破壞整張圖，這些看似微小的問題恰恰決定了模型能不能真正進入海報、信息圖、電商素材和品牌視覺的日常生產。

商湯選擇繼續沿著原生統一的路線投入。

從 U1 到 U1.5 Preview，再到正式版，SenseNova 沒有簡單疊加一份更長的能力清單。它在嘗試回答一個更實際的問題：一個輕量級、統一、開源的多模態模型，能不能更完整地承擔真實視覺創作任務？

U1.5 Lite 給出的答案是讓能力更強，也讓能力更穩。

把視野再拉開一點，視覺創作只是多模態進入現實世界的一站。一個模型需要先理解畫面中的對象、文字和空間關系，才能進一步生成、編輯，最終與更復雜的真實環境發生連接。

這條路不會很快。

但對今天的用戶來說，判斷它有沒有向前走并不難。只需要把它放在最真實的需求里，一試便知。

會生成只是起點，穩定地完成任務，才是開源視覺模型真正進入生產的開始。