这里写目录标题前言一、它从哪里来──模型与架构背景二、它的不同之处──NEO-Unify架构解析三、它能做什么──两大核心能力实测3.1 连续图文创作文字和图片的绑死测试用例1四季绘本创作测试用例2废土风游戏角色设计测试用例3烹饪教程全流程测试用例4拆解建筑美学3.2 信息图的生成能力测试用例1信息图海报生成测试用例2DeepSeek V4架构解读测试用例3生活化实测四、办公小浣熊「一图读懂」从长文档到信息图一步到位办公小浣熊测试咖啡的一生科普长图五、可复现测试六、真效率与场景思考七、总结原型能落地的新平台前言当GPT Image 2不断刷屏社交网络的时候开源多模态领域迎来了一个强有力的回击。最近商汤科技发布并开源的SenseNova U1原生理解生成统一模型引起了不少讨论。我也第一时间拿到了测试资格经过几天的深度上手体验想从个人使用者的角度聊聊它到底能做什么、做得怎么样。一、它从哪里来──模型与架构背景SenseNova U1是商汤科技日日新平台于2026年4月28日正式发布并全面开源的统一多模态大模型。目前已经开源了两个型号SenseNova U1-8B-MoT和SenseNova U1-A3B-MoT两者均可在GitHub和Hugging Face上免费获取。二、它的不同之处──NEO-Unify架构解析上手之前我花了一些时间了解它的技术背景。它基于商汤今年三月自主研发的NEO-Unify架构在单一模型架构上统一了多模态理解、推理与生成。NEO‑unify 架构示意图传统多模态模型大致是这样的一个专门看图的视觉编码器把图像翻译为语言喂给大语言模型处理再转给生成模块画图。这中间信息在不同模块之间往返类似“多层翻译”总会有损耗和延迟。SenseNova U1的做法则不同——它直接去掉了视觉编码器VE和变分自编码器VAE重新构建统一的表征空间将语言与视觉信息在同一个“逻辑空间”中直接建模。这意味着模型不需要在不同部件之间来回转换信息传递更直接效率更高复杂排版和图文一致性的保持也更稳定。其实这个差异一句话就能说清楚传统多模态是三个人接力U1是一个全能大脑。三、它能做什么──两大核心能力实测这次上限测试我重点体验了两个公认最能体现多模态模型硬实力的功能连续图文创作和信息图生成。3.1 连续图文创作文字和图片的绑死平常让AI写教程或者绘本往往是先出一段文字再配一张图图文内容有时对不上人物画着画着也可能变脸。SenseNova U1的连续图文创作最大的亮点就是在一个模型内部完成文和图的连续生成并且图文之间的逻辑是绑死的推理讲到哪儿画面就跟到哪儿。测试用例1四季绘本创作Prompt参数单一对话窗口连续输入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。环境本地浏览器windowsEdge浏览器生成结果模型输出了一段连续的图文流。春季篇章:讲述了小熊在嫩绿的林间苏醒对应的画面是柔和淡绿的森林背景夏季部分:小熊在快乐的奔跑像是童话里的守护者秋季红叶飘落小熊安静地坐着开始享受收获的喜悦到了冬季画面中的小熊钻进温暖的木屋里进入了梦乡这在以前的AI内容生成中是很难一步到位的。很多情况下需要文本模型出文案、再调用图像模型生成插图不仅耗时也难以保证角色形象的一致性。这种时序性的图文产出在创意工作和教程生成上简直是杀手锏。因为它在设计漫画分镜、草稿蓝图、产品说明书等方面实操价值很高。测试用例2废土风游戏角色设计Prompt“设计一个废土风格的游戏角色‘机械拾荒者’从整体视觉基调开始逐步展示核心交互细节、装备设定和环境叙事。”生成结果模型先输出了角色的整体视觉概念配以角色站立姿态的概念图随后输出风格解说给出装备细节图示最后给出环境背景描述并配图展示角色在场景中的样子。每个推辞环节都有配图佐证整个演进的过程能看到角色在不同画面之间的关键特征得到较好延续。测试下来我发现如果业务需要迭代去完成某个产品的描述性表达比如角色原型设计、运行原理演化等SenseNova U1的这种图文输出模式确实能减少很多拼接步骤。测试用例3烹饪教程全流程一步生肉变牛排Prompt: 生成一个煎牛排的图文教学从食材准备开始一步步展示沥干水分、调味、煎制、翻面和装盘U1的回复是一段完整连贯的图文流给出盐和黑胡椒铺满肉面的特写关键细节彻底去湿之后进行撒盐然后将处理好的牛肉放入锅中煎制并翻面最后跳出翻面时的金黄色纹理。整块肉的形态从生肉排到五分熟保持高度一致不会画着画着变成另一块肉。测试用例4拆解建筑美学哥特式大教堂手绘过程Prompt: 生成一份手绘哥特式大教堂建筑的逐步拆解教程包含从基础轮廓到细节雕刻的完整步骤。模型玩出了更高级的层次从简练轮廓到华丽成品每一步分别解析建筑的不同部分——扶壁的延伸、飞拱的结构交代、玫瑰窗格纹路的复现。这一方面展示了U1对复杂视觉信息的空间理解和重组能力另一方面多张图中核心建筑元素的高度一致贯彻性也充分体现了信息在模型内部的有效传递和保持。一致性为什么难传统缝合怪架构靠多个模型来回调用角色主体很容易在第三步就走样。而U1同一次调用直接出全套原因正是在NEO-Unify架构下图文逻辑在模型底层就已经深度对应不需要事后费力对齐。3.2 信息图的生成能力信息图生成是多模态模型的另一项碰硬测试。它不只需要模型画得好看还需要真正理解内容、理清逻辑主次、并准确渲染文字同时处理好版式排版和信息密度——这恰恰是现有AI最容易翻车的环节。在更具挑战性的信息图生成任务中U1在实测中给出了一份令人相当满意的答卷。来看看实际的效果测试用例1信息图海报生成Prompt“生成一张中文信息图海报主题为‘2026年世界杯北美足球盛会’。整体风格为深蓝色科技感体育海报搭配荧光绿、金色和白色高光。需要有足球、球场灯光、北美地图元素。需要呈现核心信息三国联合主办、48支参赛队、16座主办城市、冠军之路。”等待时间约12秒生成效果信息图返回结果为四宫格结构海报完整呈现了三国联合主办、48支参赛队、16座主办城市及冠军之路四个模块。文字渲染准确无乱码深蓝色主体搭配荧光绿线条和金色奖杯元素整体信息密度高且没有错乱拥挤排版和配色基本符合指定要求。官方跑分数据显示在信息图生成基准测试中SenseNova U1的平均得分达到了50.7是开源模型中表现最佳的水平与部分商业闭源模型相当同时响应延迟约15秒相对于同级别闭源模型速度优势较突出。测试用例2DeepSeek V4架构解读关键词→架构图Prompt: 用一张信息图解释一下DeepSeek V4的核心创新点。测试用例3生活化实测武汉三鲜豆皮制作流程:Prompt: 生成一张武汉三鲜豆皮制作流程的信息图。更让我惊喜的是生活化场景的发挥。煎豆皮表皮溅出焦香的描述、香菇笋子糯米的配料点缀——模型准确拆分出浸泡米料→炒制馅料→摊饼包馅→翻面煎制四个步骤配图加文字读完真的能对这道地道美食的制作流程一目了然。从多个实测结果来看U1在复杂信息图和商业数据可视化上展现了一定的的生成水准。在一些通用图像生成测试中质量客观同时推理延迟优势明显。不过据最新消息5月6日 商汤科技发布了SenseNova-U1 更新版开源了一个 8 步蒸馏 LoRA100 NFE → 8 NFE将 H100 推理时间从 23 秒缩短到 2 秒效率更高并且已支持 ComfyUI同步提供可直接运行的 t2i、图像编辑和交错生成工作流程。大家可以体验一下https://github.com/OpenSenseNova/SenseNova-U1/四、办公小浣熊「一图读懂」从长文档到信息图一步到位最近还发现商汤科技官方宣布商汤办公小浣熊已率先接入SenseNova U1模型并上线了全新功能——「一图读懂」。这意味着U1的多模态理解与生成能力已经从一个需要本地部署或API调用的模型落地到了人人可用的办公产品中。据官方介绍这是业内首个能‘读懂’长文档与数据的AI信息图生成功能。用户不再需要自己梳理逻辑、设计排版只需上传一份几十页的市场报告、一组零散的销售数据甚至仅仅是一个想法雏形办公小浣熊就能自动完成“理解意图→构建逻辑→设计呈现”的全流程一键生成专业级信息图。这一能力恰好与我接下来要测试的信息图生成任务高度契合。下面我就从个人使用者的角度看看U1在纯模型层面和办公小浣熊产品层面分别能交出怎样的答卷。我在办公小浣熊也做了测试Prompt用一张信息图解释一下DeepSeek V4的核心创新点模型生成了一张逻辑清晰的技术架构图排列出了混合专家架构MoE、百万级上下文支持、Multi-Token Prediction等技术点的定位布局版面整洁文字没有溢出或乱码。办公小浣熊测试咖啡的一生科普长图我输入一句话“介绍咖啡的一生从咖啡豆种植开始到最终端上桌的一杯咖啡结束。”小浣熊返回了一张纵向长图分为“种植→采摘→处理→烘焙→研磨→冲煮→品饮”七个阶段。每个阶段配有简洁的文字说明和对应的插画。整体风格统一信息密度适中读完确实能对咖啡全流程一目了然。如果说直接在SenseNova Studio中测试U1考验的是模型的裸能力那么通过办公小浣熊的「一图读懂」功能U1的能力被封装成了一个更简单易用、更落地的工具。它不再需要用户懂得如何写精准的提示词、如何规划版式真正实现了从长文档到信息图一步到位。五、可复现测试六、真效率与场景思考作为一名长期接触AIGC视觉工具的使用者测试完SenseNova U1之后我的个人感受是这个模型并非传统生图模型的替代它更像是在多模态生成的技术路径上选择了另一种解法——不靠参数竞赛取胜而是通过统一架构打破图像思维和语言思维的藩篱。轻量化8B参数能用出这种效果在推理效率上确实有它独特的技术价值。场景适配思考一个很现实的问题是它到底适合放在什么地方知识科普公众号运营、教育从业者、科普博主以往需要先写文案再找设计师配图或者自己用Canva等工具手动拼凑。现在一句话或一篇文档直接输出图文并茂的长图内容一致性强无需二次校对。内部培训制作流程图、操作手册、制度解读等材料以前至少需要半天到一天。现在输入文档小浣熊自动提炼要点、生成结构化信息图效率提升明显。知识库可视化辅助用U1自动输出高密度信息图。本身文图同出省去了人力从文档图表再制作为PPT的阶段。职场汇报以前做一份数据分析报告要先在Excel里处理数据再用PPT画图表来回切换多个工具。现在在办公小浣熊里上传数据或描述需求直接生成信息图插入PPT即可。可以说从“模型开源”到产品落地SenseNova U1走了一条非常务实的路——让开发者可以免费部署本地版本让普通用户可以通过办公小浣熊零门槛体验。这种“双轨制”可能是大模型技术普惠的最优解之一。当然它也有一些局限性的地方定制化高级自定义版式和像素级精细控制目前不如一些商业闭源产品那样完全自由。中文特化中文复杂版式的处理整体比较稳定但在个别诗词配图风格上偶尔会出现轻微错位还需要实测调参。部署成本本地C端免费开源实测RTX 4090/5090可以流畅运行但如果是普通办公电脑需要通过API调用云端版本。七、总结原型能落地的新平台经过几天的深度实测体验我觉得SenseNova U1不仅是一个多模态模型的开源突破在实际的应用场景里——像商业信息图批量化、科普内容的生产、设计依赖的参照物生成——确实有它的实际可用性。核心优势一句话总结统一架构打破图文割裂单模型完成理解-推理-生成全流程轻量化部署却能做到接近商业闭源产品的输出水准。如果你也正在寻找能替代闭源、可本地部署的开源多模态生成模型或者只是想尝试高密度信息图和图文并茂输出的可能性不妨上去花几分钟跑一下它的Demo看看能不能支持你的工作流程。我个人很期待它未来在本地部署更便捷甚至嵌入各种Agent框架中的可能性——毕竟模型能力再强最终能为开发者的实际工作流带来效率提升才是它最大的价值所在。参考资料学习• GitHub开源地址https://github.com/OpenSenseNova/SenseNova-U1• Hugging Face地址https://huggingface.co/collections/sensenova/sensenova-u1• 办公小浣熊官网https://office.xiaohuanxiong.com/home• SenseNova-U1 更新版体验链接http://•https:/https://github.com/OpenSenseNova/SenseNova-U1/