商汤科技近期重磅发布并全面开源了“日日新SenseNova-Vision”理解与生成统一的视觉大模型。此次升级聚焦于视觉能力在大模型体系中的核心地位。以往业内所谓的“统一视觉”，通常是将检测、分割、深度预测等专家模型简单组合，本质上仍是各自为政、相互割裂。而SenseNova-Vision则真正让视觉成为通用基础模型的原生能力，深度融入大模型体系。

在图像分割能力方面，该模型同时覆盖了通用分割、推理分割、交互式分割等多个方向。凭借其强大的多模态理解能力，推理分割和对话式分割的表现尤为突出。更为关键的是，仅凭单一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已处于领先水平。

全面超越Vision Banana，同步开源训练数据

横向对比来看，与语义导向模型相比，SenseNova-Vision在检测、分割、深度等细节要求极高的视觉任务上实现了全面领先。再与生成导向模型Vision Banana对比，优势更为显著——在多项权威评测的绝大多数指标上，SenseNova-Vision均实现超越与领跑。Vision Banana仅能应对四大核心板块中的两类任务，而SenseNova-Vision则可同时覆盖结构化理解、稠密几何、全景分割、多视角3D等全部任务，差距一目了然。

在开源方面，商汤不仅开放了模型本身，还同步开源了包含5000万条样本的视觉指令语料库SenseNova-Vision Corpus-50M。未来，商汤计划将SenseNova-Vision的核心技术全面融入日日新U系列大模型，进一步提升其综合能力。