商汤科技在上海世界人工智能大会上发布了重磅成果——正式推出“日日新SenseNova 5.5”大模型体系，并同步发布了国内首个所见即所得模型“日日新 5o”，直接对标GPT-4o的交互效果。这并非简单的参数升级，而是从底层交互逻辑上的一次彻底重塑。

如何理解“所见即所得”的核心？关键在于它真正打通了声音、文本、图像和视频等模态，告别了传统的“你问我答”式对话，实现了实时流式多模态交互。简单来说，它就像真人聊天那样：能听、会看，还能主动发起交流，并根据上下文动态调整自身行为和输出。这种体验过去往往需要多个模型拼接才能实现，如今一个模型原生就能完成。

从技术底层来看，“日日新 5.5”是国内首个正式发布的流式原生多模态交互模型。训练数据量超过10TB tokens，其中包含大量高质量的人工合成数据，并构建了高阶思维链。模型采用混合端云协同架构，参数量达到6000亿，推理速度更是飙升至109.5字/秒——这意味着几乎感觉不到延迟，交互体验如同面对面聊天一样流畅自然。

此外值得关注的是，商汤还同步推出了首个“可控”人物视频生成大模型Vimi。这一技术颇具亮点：只需输入任意风格的人物照片，就能生成一段与目标动作完全一致的人物视频。并且支持多种驱动方式——包括已有的视频、动画、声音甚至文字。这种可控性对内容创作、虚拟人直播、影视后期等场景而言，想象空间极为广阔。