商汤发布并开源 SenseNova-Vision 理解生成统一视觉大模型，能力超越 Vision Banana

IT之家 7 月 13 日消息，商汤科技今日发布并全面开源日日新 SenseNova-Vision 理解生成统一视觉大模型，这是商汤日日新大模型体系的重要视觉能力升级。商汤科技表示，行业以往的 " 统一视觉 " 多是把检测、分割、深度预测等多个专家模型打包封装，本质还是割裂的。SenseNova-Vision 的核心变革是：让视觉成为通用基础模型的原生能力，彻底融入大模型体系。所有经典视觉任务如目标检测、图像分割、深度预测、3D 重建等，由此都实现了原生统一。在多项评测中，SenseNova-Vision 以“单模型”在四大核心视觉领域大范围领跑，比肩甚至超越了各领域的专用“专家模型”：结构化视觉理解：在目标检测、指代检测（Referring）、OCR、关键点定位等任务上全面领先同类型通用模型。在稠密小目标检测、长尾类别识别等复杂场景下表现尤为突出。稠密几何预测：深度估计、表面法向（Surface Normal）估计精度达到几何专用模型水准，在室内外多场景下均能保持极高的稳定性。分割能力：涵盖通用分割、推理分割、交互式分割等。得益于强大的多模态理解力，其在推理分割（Reasoning Segmentation）与对话式分割（GCG Segmentation）表现上惊艳。多视角 3D 几何：仅通过单模型即可高质量完成多视角点云重建与相机位姿估计，性能在通用视觉路线中处于领先位置。横向对比如下：对比语义导向模型（如 Youtu-VL 等）：SenseNova-Vision 在检测、分割、深度等对细节要求极高的视觉任务上实现全面领先。对比生成导向模型（如 Vision Banana 等）：展现出全面的代际优势。a. 核心指标超越：在各项权威评测的硬核对决中，SenseNova-Vision 在绝大多数指标上均实现了对 Vision Banana 的超越与领跑。b.任务能力倍增，且全面开源：展现出更强的多任务泛化实力。如 Vision Banana 仅能应对四大核心板块中的“两类”问题，而 SenseNova-Vision 却能同时将结构化理解、稠密几何、全景分割、多视角 3D 等全任务一网打尽。在此基础上 SenseNova-Vision 还做到模型、数据全面开源。商汤也同步开源了包含 5000 万条样本的视觉指令语料库 SenseNova-Vision Corpus-50M。未来，商汤将把 SenseNova-Vision 的核心技术全面融入日日新 U 系列大模型中。IT之家附开源地址：https://github.com/OpenSenseNova/SenseNova-Vision