这两天，看到海外好几个技术社区都在讨论同一个模型。商汤的SenseNova U1.5 Lite，他们刚发布的开源生图模型。

说实话，AI生图模型现在已经快卷成日经了，每隔一段时间就有一个新模型号称SOTA。

但我看到海外社区讨论度这么高，就多花了点时间了解了一下他们的技术细节，发现他们这次的升级思路确实值得聊聊。

1先简单说一下SenseNova U1.5 Lite我印象比较深的几个点。

首先中文文字渲染。U1.5 Lite 在中文这块下了很大功夫，正式版专门训练了 OCR 方向的 Expert 模型，再通过OPD把这个能力蒸馏回主模型。

最终的效果是，不管中文还是英文的海报、信息图，文字基本能做到清晰可读，排版也非常规整。

其次是图像编辑的精准度。比如你有一张图，只想改其中某个元素，别的地方一点都不要动。

听起来简单，但模型做起来很难，因为模型需要同时做两件矛盾的事：在编辑区域大胆改动，在非编辑区域严格保持。

U1.5 Lite 因为本身就能看懂图，所以它能理解原图的空间结构、版式关系，知道哪些东西是该动的，哪些是不该碰的。

第三个是 Native 4K 输出。很多模型号称支持高分辨率，但实际上是先生成小图再放大。这种做法在整体构图上还行，一看细节就纹理糊成一片，光影也不连贯。

U1.5 Lite 做的是原生 4K 生成，也就死活直接在高分辨率上完成整个创作过程，全局结构和局部细节能保持一致。

2SenseNova U1.5 Lite 这次升级，有一个很大的亮点，就是把看图、生图、改图这三件事，塞进同一个模型里。

这个思路跟市面上大多数方案不太一样。

过去的AI生图模型简单的任务可以完成的很漂亮，一旦需求稍微复杂一点，比如同时要求构图、文字、色彩、风格，它就开始顾此失彼。

也就是行业里常说的那个难题：单项能力可以很强，但多个能力同时在线的时候，整体完成度就往下掉。

U1.5 Lite这次的做法，换了一个角度。它没有去做更大的模型，相反，它把发力点放在了怎么让不同的视觉能力在同一个模型里同时做好。

3商汤这次用的是一套叫 NEO-Unify 的原生统一多模态架构，让一个模型同时具备理解、生成和编辑的能力。

换句话说，这个模型自己看得懂图，也能画图，还能对着原图精确地改。

当你给它一个复杂指令的时候，它能整体地理解你到底想要什么，然后一次性交付。因为对图片的"认知"和"创作"共享同一套参数，所以它在编辑的时候天然知道原图的空间结构和版式关系，知道哪些元素该动、哪些不该碰。

他们在训练的过程中，先针对OCR、美学、编辑等不同目标分别训练了好几个专项模型，每个专项模型只管把自己那一块做到最好。然后，再通过OPD把多个Expert的能力重新蒸馏回同一个轻量模型。

最终部署的还是一个U1.5 Lite，用户不需要自己判断该调哪个模型。但这一个模型的内部，已经把多个专家的能力融在一起了。

这个思路本身不算全新，但难的是执行。因为蒸馏的过程中，不同能力之间会互相干扰，压回一个小模型的时候，很容易出现某项能力缩水。

但从他们公布的评测结果来看，这一步至少没有翻车。在图像生成质量的Qwen-Image-Bench上，U1.5 Lite拿到了60.17，相比前代Preview版本又上了一个台阶；图像编辑评分也提升到4.59。

要知道，在高分段每提升一点都意味着大量的工程投入。

4看完技术方案之后，有几个点我觉得是比较有意思的。

首先是它的后训练策略。U1.5 Lite的正式版他们专门用强化学习去优化三个目标：指令是否被准确执行、画面是否好看、编辑时不该改的地方有没有保持住。

强化学习在这里的作用，主要是让模型变得更听话。

第二个是理解能力对生成的反哺。因为U1.5 Lite延续的是原生统一多模态路线，理解和生成共用同一套表征。模型在做图像理解任务时学到的空间关系、结构化认知，可以直接迁移到生成任务里。

这带来了一个很实际的好处。比如你给模型写一段比较复杂的视觉需求描述的时候，它不会因为指令太长就丢掉后半段。

因为它需要先理解这段话里的层级关系和空间逻辑，而不是简单地把关键词提取出来拼一张图。

5而且，U1.5 Lite是开源的，协议友好，可以商用。

海外开发者社区对这次发布的反应比预期更积极，讨论的焦点不在参数量，而在它能不能替代工作流里的某个环节。

这也能说明一个趋势变化。过去两年，AI模型的竞争，大家比的是能力上限；但现在，竞争正在从上限转向下限。一个模型十次出图九次翻车，那一次再好也没用。

商汤这次的选择没有去追更大的参数量，而是把一个8B参数的轻量模型，往稳定、可控、能用的方向反复打磨。

这种事短期看不见太大的声量，但长期来看，能用在生产里的东西，用户自己会帮你传播。

这个模型，确实可以关注一下。