# 开源版的 GPT Image 2，信息图、连续图文、本地部署全拿下｜商汤SenseNova U1实测 - 作者：张子豪 - 发布时间：2026-04-29 19:01 - 分类：软件 - 原文：https://www.ifanr.com/1664423 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/APPSO_covers.png) 最近 GPT Image 2 火了之后，网上都是那些彻底以假乱真的 AI 生成图片。大模型在视觉这条路上越走越远，让人兴奋又让人敬畏。 而 GPT Image 2 在眼下的 AI 生图领域，几乎是没什么好争的。但如果说云端闭源收费的最好模型是 GPT Image 2，**那能部署在本地的，免费开源模型或许会是 SenseNova U1**。 [![](https://s3.ifanr.com/wp-content/uploads/2026/04/img_69f19c4915444.png)](https://s3.ifanr.com/wp-content/uploads/2026/04/img_69f19c4915444.png) ▲由 SenseNova U1 生成 SenseNova U1 是商汤最新发布的一个开源的多模态模型，它的 Lite 系列 8B 和 A3B 参数版本，目前已经在 Hugging Face 和 GitHub 上开源。 从模型参数和选择开源的路线上，我们就能看到它和 GPT Image 2 是不太一样的方向。 APPSO 也提前拿到了测试资格，我们发现商汤这款新一代原生理解生成统一模型，就开源模型来说，已经做到了最好水平。 它带来了大模型行业首创的连续图文生成输出，就是用单一模型就能连贯输出图片和文字，这个新鲜很值得去试一试。 目前 SenseNova U1 开源模型的权重已经在 Hugging Face 和 GitHub 上开放下载。 GitHub：https://github.com/OpenSenseNova/SenseNova-U1 Hugging Face：https://huggingface.co/collections/sensenova/SenseNova-U1 ## 带着图片的思考 我们可能遇到过这样的需求，想让 AI 解释一个复杂概念，同时配上示意图，而且图要跟着文字的逻辑走，解释到第几步，图里就画到第几步。 一般的模型可能会直接采用生成代码的方式来解决这个问题，像 Claude 使用的流式构图，或者一些 Vibe Coding 的网页，包含文字和配图。 但是要完全用一个模型同时在回复流里面，生成文字和图片，并且不借助外部工具的调用，基本上现有的模型做不到这一点。因为文字生成和图像生成在模型底层，往往是两件事。 SenseNova U1 的第一项特点，就是在单一模型上进行连续的图文创作输出。 比如我们试了一个场景，让他生成一份简单的绘本故事，讲述一只小熊历经四季的变化。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-27_14-07-08.png) ▲ 提示词：请创作一个图文绘本故事，主角是一只棕色的小熊，故事讲述它经历四季变化。 生成的连续图文不仅理解到位，有一定的故事性，而且能很好的保持一致性，同时图片的文字渲染全部准确，小熊也在冬天穿上了毛衣，戴上了帽子。 实测中发现用 SenseNova U1 来进行一些创意性的工作也非常有意思。 在官方的测试案例里，上传一张大头贴给模型，然后要求它设计几款不同的发型。可以看到，在生成连续图文的完整过程中，人物的一致性，以及结构、细节，SenseNova U1 都做到了精准保持。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-29_18-26-27.png) ▲ 提示词：帮我设计几款合适的发型，希望好看的同时比较有特色，然后帮我选一款最适合我的 还能直接让他设计一个游戏角色，展示从整体视觉基调、核心交互细节，再到环境叙事和性格刻画的逻辑迭代过程。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-29_10-53-00.png) 更有意思的是，基于时序性的回答，用 SenseNova U1 创作是再合适不过。我们要求他生成一颗牛油果变成一颗室内盆栽的过程，连续图文的形式很好地呈现了完整的生长过程。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-27_14-39-27.png) ▲ 提示词：怎么把一颗普通的牛油果种成一棵室内盆栽 一番测试下来，图片从来没有离开过文字的逻辑，推理的思路走到哪里，图片就跟到哪。 以前的图文结合或许是调用不同模型，和对应工具的写作，确保回复的内容里，图文是在说同一件事。现在这项写作从底层直接发生在模型内部，无论是工具还是软件，都不需要参与对齐的过程了，我们也只需要看到最后的结果。 对内容创作者、设计师和营销人员来说，SenseNova U1 的出现，开始解决了一个长久以来的痛点，即如何让 AI 边写边画，而且图文逻辑严丝合缝。 ## 量大管饱的最强开源 确认了它的原生理解生成统一能力后，我们要看 SenseNova U1 能否在复杂信息图生成方面，达到开源模型的最好水平。 信息图是把一大段复杂的文字或数据，压缩成一张一眼能看懂的图。这件事其实比「画一张漂亮的图」难得多，需要理解内容，知道哪些是核心，哪些是辅助，信息之间的逻辑关系，以及文字渲染等，都是难题。 闭源的 GPT Image 2 在这方面已经做得很好了，我们在测试的时候一开始也没有抱着太大的希望，会比 GPT Image 2 还要更好。但 SenseNova U1 的表现，拿下开源 SOTA 的称号也确实是当之无愧。 我们先是就用一句话「用一张信息图解释一下 DeepSeek V4」，没有任何附加的提示词，看看它生成的信息图表现如何。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/edf6d60a-5267-4ca5-bdba-3e56051aa885.png) ▲ 由 SenseNova U1 生成 能看得出来 SenseNova U1 有联网搜索到和 DeepSeek V4 相关的信息，像是原生多模态，还有万亿参数，以及百万的上下文 Token。 而除了简单的提示词，还可以直接发送一个链接给它，SenseNova U1 也有对应的网页抓取工具，提取网页内容，来进行信息图的生成。 这些知识科普类的信息图，SenseNova U1 的表现基本上都能驾驭。更简单的像是「一张什么是电子烟的 3D 拆解科普」，它也能很快生成。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/0af665bc-3b79-409a-98b8-15727588555e.png) ▲由 SenseNova U1 生成 而如果提示词稍微详细一点，它也能完全照着提示词的内容，把这些文字准确渲染成可视化程度较高的信息图。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/a561d816-0a20-4a51-bd71-d55e9d652ab8.png) 还有像是最近很火的武汉三鲜豆皮，直接告诉 SenseNova U1，生成一张三鲜豆皮完整制作流程的步骤图。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/24ba86d8-afc4-4080-9593-a5d511297832.png) 还有夏天来了，挑选不同的防晒霜，也是一张信息图，就能把 SPF 和 PA 值这些复杂的挑选参数讲清楚。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/21495cf6-ad32-4905-8ed7-1812a8b4590e.png) 甚至是要它画一张 AI 大模型从训练到推理的工作原理图，适合完全不懂技术的人看懂；SenseNova U1 也能用轻松有趣的风格，简单的描述 AI 大模型的工作过程。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/a4055ea4-6317-4e5a-ad43-ab4294226d92.png) 在其他场景的应用，像是营销、办公、设计参考和商业分析，我们都用不同的例子来测试了 SenseNova U1 的表现。 一般来说，营销场景对视觉风格的要求最高，也是最能看出模型有没有真正理解「用户想传递什么感受」的地方。一张好的营销图片，放在文章中间，甚至有可能直接被我们误认为是微信的文章内广告。 就像这张 SenseNova U1 生成的上海旅行信息图，不仅把地图描绘出来了，还列举了上海的特色。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/20260429182844_185_953.jpg) 在办公场景里，好看又要比准确和高效更重要。我们测试了它对信息处理的能力，把一份五页的会议纪要压缩成一张一屏能看完的总结图，要求逻辑清晰、重点突出，适合直接转发给没参会的同事。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/newxiazai.png) 复杂的信息之外，SenseNova U1 也能做到很好的视觉风格参考，给它一段品牌的调性描述，要求生成一张包含配色建议、排版建议、氛围关键词的风格参考图，结果居然也还不错。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/e3a2da8d-3587-4d96-a78c-9b5f6bfa5643.png) 在一些数据分析的任务上，我们也测试了 SenseNova U1 数据可视化的能力，用图表的方式来呈现更合理的信息图。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/e5b60b24-2969-469d-a003-a2f01af100c7.png) 可以看到，SenseNova U1 在信息提炼这一步做得不错，它确实读懂了内容，知道什么重要什么次要。 但是在视觉表达上还有提升空间，有时候一些文字的渲染，还是会出现错误，对于需要快速出图、不想花时间在设计工具上反复调整的场景，已经完全够用。 ## 下一个多模态模型的样子 实测完 SenseNova U1，我们发现它的意义，在于它是第一个把「理解和生成统一」这件事认真做出来的开源模型。而这，或许是整个多模态领域下一步要走的方向。 GPT Image 2 的刷屏，说明图像生成的「生成质量」这条线已经被闭源模型拉得很高了。开源模型如果继续在同一个维度继续追，大概需要很长的时间才能赶上，并且开源的价值也会被压缩到只剩下「便宜」。 SenseNova U1 提供了一个不同的技术路径，对于整个开源社区的方向都有着重要意义。它除了在解决「怎么生成更好的图」，也在告诉我们多模态模型的下一步会是什么样子。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/1280X1280.png) ▲ SenseNova U1 采用了行业首创的 NEO-unify 原生架构，实现多模态理解生成的高效统一 过去的多模态模型，理解图和生成图是两套系统在协作。一套负责看懂输入，一套负责画出输出，中间靠接口传递信息。两套系统各有各的内部语言，信息在传递过程中会有损耗，就像两个人用翻译软件沟通，意思大体到了，但总有点什么没传过去。 SenseNova U1 则是从底层把这两件事，合进了同一个表征空间。他们今年 3 月的技术博客里，就重点讲解了 NEO-unify 这一项架构。 目前大模型行业的惯例是，多模态 AI 看图要靠一个叫「视觉编码器（VE）」的东西压缩处理，然后再交给生成器。在 NEO-unify 架构里，商汤把这套臃肿的传统范式直接扔了。 结合 NEO-unify 结构的 SenseNova U1，所使用的视觉接口是近似无损的，它直接把图像分块（Patch）吃进去，不经过任何预训练编码器压缩；然后在同一个主干网络里，让文本和视觉的训练端到端统一进行。 在理解与生成各项基准测试上，SenseNova U1 的表现也达到同量级开源模型的 SOTA 水平，甚至在多项指标上的表现能和 Nano Banana 这些闭源模型相媲美。 [![](https://s3.ifanr.com/wp-content/uploads/2026/04/img_69f1a01771417.png)](https://s3.ifanr.com/wp-content/uploads/2026/04/img_69f1a01771417.png) ▲ 分别是图像理解、图像生成，和视觉推理基准测试结果 它回归了多模态的第一性原理，从底层的像素和文字开始，自己构建内部的认知。 这也能解释为什么它消耗的 token 更少，生成效率更高。即使它只有 8B 的参数的版本，也能打出超强的极致性价比。 本次开源的是 SenseNova U1 的轻量版本 SenseNova U1 Lite，目前它有两个版本：8B 参数的 SenseNova-U1-8B-MoT，可以在边缘设备上跑；38B 总参数但激活只有 3B 的 SenseNova-U1-A3B-MoT，提供更强能力，同时将推理成本控制得很低。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-28_16-54-44.png) ▲SenseNova U1 已经在 GitHub 和 Hugging Face上开源，链接：https://github.com/OpenSenseNova/SenseNova-U1、https://huggingface.co/collections/sensenova/sensenova-u1 两个版本都可以本地部署、可以微调、可以接进自己的数据管道。对需要把图像生成能力嵌进自己产品的开发者来说，能够对模型行为有完全的控制权，数据也不用出去。 如果你需要一个能够高效实现理解与生成的模型，作为开源模型里的最强代表，SenseNova U1 确实值得尝试。 商汤还在 GitHub 上开源了面向 Agent 运行时的 AIGC 技能库 SenseNova-Skills。我们可以直接把SenseNova U1这种强大的能力，接入到自己的智能体（Agent）工作流中。 利用这个工具包，我们可以直接在像 OpenClaw、Hermes 这样的 Agent 平台中一键调用。模型会自动评估我们的提示词，选择合适的版式，经过多轮生成，输出最佳的专业信息图结果。 ![](https://s3.ifanr.com/wp-content/uploads/2026/04/PixPin_2026-04-29_11-13-25.png) ▲ Skills 链接：https://github.com/OpenSenseNova/SenseNova-Skills 回顾整个测试，SenseNova U1 这次交出了一份不错的答卷，它是目前我们能拿到手里的同量级最强开源模型。 对创作者来说，它行业首创的连续图文创作输出能力，打破了过去文字与配图割裂的窘境，真正让边思考、边写作、边配图的连贯创作成为现实。