商汤U1 Pro：AI从“生成美”到“可用美”的突破

在行业年度盛会上，一款全新的多模态AI创作工具正式发布，它首次实现了将视觉理解、内容生成与交互能力原生整合在同一个基座底层，更直接生成了8K超高清的城市长卷作品——这就是商汤推出的日日新SenseNova-U1 Pro。

发布会现场，官方负责人揭晓了为大会九周年定制的《智会世图》长卷，这幅作品横跨近十年的城市变迁，从市井烟火到楼宇楼阁尽数收录，视觉效果堪比复刻版《清明上河图》。更令人惊讶的是，这幅铺满迎宾墙的巨幅作品，完全由U1 Pro直接生成，没有经过任何人工后期修改。

当然，这幅长卷只是U1 Pro实力的冰山一角，这款模型能够轻松驾驭多种复杂的创作场景，无论是国风长卷、影视海报还是商业宣传物料，都能达到专业交付级别的水准。

多元场景的专业级创作

盛唐长安西市长卷
这款21:9超宽画幅的国风作品，细节堪称惊艳。画面中足足塞进了五十多个神态各异的人物，没有AI常见的重复贴图敷衍感，骑马的官员、弹琵琶的乐师、卖香料的胡商、追灯笼的孩童，每一个角色的神态、动作和服饰制式都精准独立。朱红、赭石、深蓝、琥珀金四色自然铺开，灯笼暖光与夜色冷调形成和谐对比，所有视觉元素一气呵成。

民国悬疑电影海报
雨夜街头的复古海报通过玻璃倒影隐藏三位叙事角色，严格遵循真实的物理空间折射逻辑，将侦探、神秘男子与送信人巧妙藏在老式邮局的玻璃反光中，空间景深与悬疑张力直接拉满。手写墨迹的片名、加密处理的演职员表，整体氛围、光影、文字与构图全部一次到位。

国风二次元乐队海报
《长安未眠》的舞台海报完美融合国风与二次元风格，五位成员各有特色的国潮造型互不重复，背景的水墨山河化作金色声波与飞鸟，与顶部的中文标题完美契合。朱红、墨黑与鎏金的光影碰撞，将“盛唐赛博”的舞台炸裂感拉到极致。

高端商业广告
高山乌龙茶的奢侈品级广告完美还原了多种材质质感：哑光纸盒、烫金字样、薄胎白瓷、胡桃木桌与袅袅茶汤蒸汽，五种质感同时出现在一张图中，没有任何塑料感瑕疵，完全达到商业广告的专业水准。

艺术展览海报
《山河入画》展览海报实现了二维与三维视觉的自然过渡，底部的山体带着宣纸洇开的水墨质感，向上则顺滑过渡为带有真实光影的3D岩石与云层。朱红色丝带贯穿山谷，与山脚下渺小的白衣人物形成强烈尺度对比，标题、展期、地点与开放时间等文字信息干净准确，整体风格足以直接悬挂在顶级美术馆门口。

在AI生成领域，长文本排版和物理空间逻辑一直是两大公认难点，但U1 Pro轻松突破了这两个瓶颈。比如《月相》中文科普海报，从主副标题、四段密集的科普正文到图注、底部知识卡片，数百个汉字实现了零错字、零乱码、零AI伪汉字，同时精准构建了日-地-月的空间位置关系示意图。

还有中国茶六大茶类的信息图，六个模块环绕中心茶杯排布，茶名、茶汤色、产地与山水插画各就各位，几十处中文文本没有任何乱码，配色克制逻辑清晰，完全可以直接用于博物馆展板。

实战对比：生成vs交付

为了验证U1 Pro的真实实力，团队将其与另一款主流模型进行了同提示词对比测试，比如麻婆豆腐菜谱图。从整体观感来说，U1 Pro赢在了“清爽”，它准确抓住了菜谱的核心信息是食材与做法，果断去掉了花里胡哨的背景，让观众一眼就能看清重点。

反观另一款模型，画面整体色调偏黄，边角塞满了多余的川蜀建筑元素，让整个画面显得拥挤杂乱，甚至还加入了大量无法识别的AI造字印章，直接破坏了作品的专业感。

把专业设计师装进模型里

U1 Pro的官方定位是面向复杂多模态任务的交付系统，有专家将其概括为“创作模型”，这和传统的AI生成工具有着本质区别。传统的AI生图流程只是输入一段提示词就输出一张图片，缺乏推敲和打磨的过程，成图质量全靠运气。

但U1 Pro的工作逻辑更像一位专业设计师：接到需求后，它会先规划版式、绘制草图，再回头审核整体风格是否符合要求，接着逐步填充细节，最后统一调色并完成精修。这一整套“观察-修改-规划下一步”的流程，背后是数十轮的Agentic Generation Loop长程迭代，只是将复杂的思维过程隐藏在底层，直接交付给用户成品。

就像代码生成模型从简单的补全到自主开发软件一样，U1 Pro交付的不是一张静态图片，而是一个具备专业创作能力的数字设计师，真正实现了“把设计师装进模型里”。

交付级的严苛标准

对于商业交付来说，任何一个细节错误都会导致整个作品报废：一张海报只要有一个错字，就完全无法投入使用。为了验证U1 Pro的交付能力，团队邀请了200位美院学生和设计师组成评审团，设定的合格标准是：六成以上的作品可以直接交付给客户才算达标。

目前能够达到这个标准的AI模型寥寥无几，U1 Pro就是其中之一，甚至在文字准确性、东方文化细节的处理上更胜一筹。

原生统一架构NEO-unify

为了达到专业交付的标准，U1 Pro采用了自研的NEO-unify理解生成统一架构，摒弃了传统多模态模型中独立的理解和生成编解码组件，让理解、生成和行动共用一套表征和计算逻辑，整个模型是一个浑然一体的Transformer架构。

在生成过程中，不需要专门的调度器指挥，模型会自动预测下一个token，当需要生成图像时自动切换到图像token，完成绘制后再切回文字序列。文字和图像始终在同一条自回归序列上完成，不需要额外的外挂工具进行对齐，这种设计让模型的学习效率更高，只用十分之一的数据就能追平顶尖的SOTA模型，同时训练和推理成本远低于同类竞品。

今年4月团队已经发布了轻量级的开源版本SenseNova U1，并在5-7月陆续升级了infographic-V1、V2和V3版本，在多项信息图生成基准测试中，不仅生成质量领跑开源阵营，推理速度也远超同类产品。

图文交错的创作思维

对于普通生图来说，或许可以一次性完成整张作品，但一张能够交付的专业作品，需要像设计师一样反复推敲、边看边改。U1 Pro的这种“会思考”的能力，来自独创的图文交错思维。

它不再一口气生成整张图片，而是将创作过程拆分为生成、编辑、局部重绘、组合多个动作空间，每往下走一步，都会回看已经完成的部分，再决定下一步的创作方向。这种调度创作动作的能力，是通过大量训练打磨出来的：

• 冷启动阶段，团队先将设计师的专业判断整理成“指令思维链”喂给模型，让它学会“先定版式、再铺大色、最后抠细节”的创作章法；
• 在此基础上，再通过强化学习，用构图、文字准确度、设计美感、整体一致性等多维度的奖励模型进行打磨，每生成一张图都会反馈具体的优缺点；
• 经过多轮训练后，模型自主长出了“判断下一步该做什么”的能力。

8K直出却不爆算力

商业交付级的作品需要能够印刷放大，因此U1 Pro支持原生8K分辨率输出，但高分辨率会带来视觉token和算力的暴涨——Transformer的注意力开销随token数量的平方增长，token数量翻一倍，算力需求就会变成四倍，一张8K的图摊成token很容易直接撑爆上下文窗口。

为了解决这个问题，团队采用了32×32的大patch（普通生图模型通常使用16×16），将token数量直接减少到原来的四分之一。但大patch也带来了新的问题：每个token需要管理更多像素，容易导致细节模糊，而交付级作品最较真的文字和纹理，恰恰藏在细节里。

为此团队又提出了自适应分级噪声控制，在细节吃紧的区域多注入噪声，逼迫模型花更多精力刻画细节，把丢失的控制力补了回来。最终实现了8K大图的稳定直出，同时没有出现算力过载的问题。

从“能生成”到“能交付”的行业跃迁

时至今日，AI生图的战场终于从“谁画得更好看”，走向了最硬核的“拼交付”。这条路，代码生成领域已经提前替所有人趟明白了：从嵌进IDE的代码补全工具，到自然语言写需求的Vibe Coding，再到如今自主规划、执行、验证的Agentic Coding，变强的从来不只是模型能力，更是让越来越多非专业人士能够调用专业能力。

多模态内容创作正在经历完全相同的演进逻辑，只是目前还卡在半路上。这个瓶颈就是“Reasoning Generation”（推理式生成）。

从DALL·E、Midjourney到后续的多款模型，AI第一次大规模解决了“生成美”的问题，用户甚至可以用大白话反复调整效果。但一旦投入真实工作流，这些工具的问题就会暴露无遗：局部修改正确但整体风格崩坏，专业内容乍看没问题但放大后全是破绽，反复修改后纹理越改越脏，最后产出的还是一张无法直接使用的半成品。

归根结底，能生成不等于能交付，可控也不代表可交付。图像生成领域走过了两级台阶：先解决了“像”，又解决了“真”，让细节越来越逼真。而商汤想要踩下的第三级台阶，就是“美”——通过专业级的设计美感，达到真正的工业交付标准，这正是U1 Pro想要实现的突破。

就像代码从Vibe Coding迈向Agentic Coding一样，创作也要从“Vibe Creation”迈向“Agentic Creation”，不再是碰运气的氛围感抽卡，而是模型自主反思、一步步完成完整的创作流程。

从一张图到一个世界的长远野心

当然，U1 Pro的野心不止于图像创作。它背后的NEO-unify统一架构是一个通用底座，视觉创作只是第一个专注落地的方向。未来，通用视觉感知、空间智能、具身大脑、城市规划、建筑设计等领域都将被纳入这个架构的覆盖范围。

近期开源的SenseNova-Vision已经展现出了初步的视觉理解能力，能够准确识别深度、遮挡、镜面透视等人类习以为常的视觉常识，这也是团队首次观察到“视觉涌现”的迹象。正如首席科学家所说，语言的“GPT时刻”在2022年底已经到来，而视觉的GPT时刻还未到来，NEO-unify架构正是为这个时刻打下的地基。

归根结底，U1 Pro想要做的，是将原本只有少数专业设计师才能掌握的创作能力，交到更多普通人手中，让用户在一杯咖啡的时间内，就能得到一张可以直接印刷交付的高清作品。这一次，“好看”不再是终点，“能用”才是真正的标准。