7月13日，商汤科技正式发布并全面开源了**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在视觉能力上的一次关键升级。 以往行业里所谓的“统一视觉”，大多是把检测、分割、深度预测等多个专家模型打包在一起，本质上仍然是割裂的。而 SenseNova-Vision 带来的变革，在于**让视觉本身成为通用基础模型的原生能力，彻底融入大模型体系**。目标检测、图像分割、深度预测、3D 重建——所有经典视觉任务，现在真正实现了原生统一。 在多项权威评测中，SenseNova-Vision 以“单模型”身份，在四大核心视觉领域大幅领先，甚至比肩或超越了各领域专门的“专家模型”： * **结构化视觉理解：** 目标检测、指代检测（Referring）、OCR、关键点定位等任务全面领先同类型通用模型，尤其在稠密小目标检测和长尾类别识别等复杂场景下优势明显。 * **稠密几何预测：** 深度估计、表面法向估计的精度达到了几何专用模型的水准，在室内外多种场景下均能保持极高稳定性。 * **分割能力：** 覆盖通用分割、推理分割、交互式分割。得益于多模态理解能力，在推理分割（Reasoning Segmentation）和对话式分割（GCG Segmentation）上的表现令人惊艳。 * **多视角 3D 几何：** 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。 横向对比来看： * **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。 * **核心指标超越：** 在各项权威评测的硬核对决中，绝大多数指标均实现了对 Vision Banana 的超越与领跑。 * **任务能力倍增，且全面开源：** 展现出更强的多任务泛化实力。例如，Vision Banana 只能应对四大核心板块中的“两类”问题，而 SenseNova-Vision 能同时将结构化理解、稠密几何、全景分割、多视角 3D 等全任务一并拿下。在此基础上，模型和数据都做到了全面开源。 商汤还同步开源了包含 5000 万条样本的视觉指令语料库 **SenseNova-Vision Corpus-50M**。 未来，商汤将把 SenseNova-Vision 的核心技术全面融入日日新 U 系列大模型中。 开源地址如下： https://github.com/OpenSenseNova/SenseNova-Vision