商汤开源 SenseNova-Vision：视觉任务大统一，经典视觉并入大模型

今天，商汤科技正式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。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。

GitHub: https://github.com/OpenSenseNova/SenseNova-Vision

核心变革：原生融入的双向增益

这种“原生融入”带来了双向增益：

• 数据反哺：视觉领域几十年的高质量数据直接提升大模型底座的视觉理解能力。
• 思维赋能：大语言模型的推理能力反过来让视觉任务融会贯通，甚至能用语言直接定义新视觉任务。

在视觉 AI 领域，商汤已连续十年蝉联中国视觉AI市场份额第一，并在2025年首次登顶视频分析赛道全球市场份额第一，及亚太地区市场份额第一。SenseNova-Vision将这种行业领先的视觉能力，融入统一多模态大模型体系，代表了视觉 AI 能力的跨越式演进。依托原生统一的技术路线，模型实现了从“执行工具”向“世界理解模型”的本质蜕变，不仅真正看懂物理世界的逻辑，更为AI在物理世界的广泛应用与深度交互构建全新的通用底座。

商汤日日新SenseNova-Vision能够原生统一地实现结构化视觉理解、稠密几何预测、图像分割以及多视角视觉几何等多项核心任务能力。

复杂场景实测：自由指令下的“视觉读心术”

传统的视觉模型往往只能“各司其职”，而且遇到复杂、有干扰的场景就会“抓瞎”。得益于原生通用底座带来的智能涌现，SenseNova-Vision在面对人类视觉都容易犯错的极端场景时，展现出了惊人的泛化能力：

1. 零样本泛化：未知游戏“一秒读懂”

面对训练集中从未出现过的游戏画面，模型展现出了强悍的跨域适应力。在语言推理与原生视觉能力的交织下，它无需任何针对性重训，就能在一瞬间同时对画面中的表面法向、实例分割以及角色关键点检测进行无缝且精细化的处理。影视、游戏和数字内容创作者可以直接将其投入工作流。

以游戏《黑神话：悟空》的一张场景图为例，模型能对法向、分割、关键点等进行较好的处理（可点击查看大图）。

2. 超稠密物体分割：重叠鱼群各显其形

面对密密麻麻、高度重叠的鱼群、羊群，或是货架商品、俯拍车辆等极度稠密的场景，模型能够像外科手术般精准地将每个独立个体剥离出来。即使颜色极度相近、边缘深度交织，也能准确区分。这为工业计数、智慧仓储等场景提供了全新的解法。

以颜色重叠的鱼群、货架上东倒西歪的商品为例，模型能进行清晰、准确的分割。

3. 看穿镜面反射：正确还原空间几何

在包含镜子、玻璃的复杂室内环境中，传统视觉模型极易被镜中的倒影误导。而SenseNova-Vision能够自动过滤反射影像的迷局，准确估计出镜中物体的真实空间方向与深度关系。它不被虚拟的反射所欺骗，展现出对三维空间几何本质的深刻理解。

以镜面为例，模型能准确估计镜子里人的方向和深度。

4. 突破视觉错觉：不看表象，洞察空间本质

在充斥着视觉错觉干扰的图像中（例如经典的借位摄影），模型不仅能准确抠出被遮挡物体的完整轮廓，还能输出完全正确的表面法向估计。它不被图案和借位欺骗，正是语言模型的推理能力与稠密几何预测完美融合、看懂物理世界的具象体现。

模型能正确判断纹理形成的视觉欺骗。

模型对于透视成像的近大远小现象领悟的非常透彻，完全没有被误导。

前景棉花人物和后景云朵成功分离。

核心任务领跑：多项指标比肩专用专家模型

当视觉任务融入通用多模态生成后，不仅没有削弱专项能力，反而通过跨任务知识互补实现了性能飞跃。在多项权威评测中，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。

核心指标评测：SenseNova-Vision（深紫色柱状）在各项视觉任务中均处于领跑地位。

横向相比优势显著

• 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。

重构底层逻辑：从拼接到原生统一

长期以来，视觉AI沿着“一个任务对应一个模型”的路径演进，各个任务是彼此割裂的孤岛。SenseNova-Vision彻底打破了这种结构性瓶颈，首次将全部视觉任务，统一表述为通用基础模型可理解的多模态生成问题。它不需要为不同任务设计专属预测头，而是直接在同一个共享的表征空间内，对文本、像素、语义信息和几何特征进行统一建模。

这种“大一统”的设计，带来了碘伏性的变化：

• 跨任务知识互补，实现1+1>2。模型联合训练，激活了不同任务间的内在互补。深度估计的知识能强化语义分割的空间理解，分割能力又能辅助检测任务的边界判断，从而获得了单任务模型难以企及的抽象推理能力，从容应对未见过的任务与场景。
• 从“工具执行者”升级为“通用理解者”。统一范式重新定义了视觉智能的形态。模型不再是只能执行特定指令的工具，而是作为大模型的原生能力，成长为对视觉世界拥有通用、深刻认知的基础多模态底座。

商汤SenseNova-Vision的发布和开源，成功验证了“统一多模态生成”这一全新技术路线的巨大潜能。它显著降低了视觉AI的应用门槛，开发者无需再为不同任务维护多套模型体系，单个模型即可覆盖高频视觉需求，从而大幅缩短研发周期、降低部署成本，尤其适合复杂图像、开放场景下的视觉应用开发。