商汤U1 Pro：多模态设计大模型的突破与AGI探索

在2026年世界人工智能大会前夕，一场关于AI未来赛道的深度对话在商汤科技办公室展开。当被问及大语言模型已经发展到成熟阶段后，下一个决胜战场究竟在哪里时，商汤首席科学家林达华没有罗列复杂的性能基准，而是指着桌上的矮脚绿植反问：“你能用语言精准描述这盆盆景每一片叶子的精确位置吗？”

这个看似简单的“盆景之问”，恰恰点破了纯文本AI的固有边界：人类通过视觉感知到的海量细节，无法被语言完全穷尽。从高端设计的审美表达，到城市空间的三维布局，再到自动驾驶、具身智能与现实世界的交互，所有需要理解物理空间的场景，都离不开真正的“视觉”能力。而人类大脑本身，正是语言与视觉深度融合的产物——这正是商汤押注多模态赛道的底层逻辑。

过去一年间，从国际巨头到国内厂商纷纷入局多模态领域，但商汤选择了一条更难也更接近本质的硬核路径：从底层实现语言与视觉基座的原生融合。今年3月，商汤正式推出原生统一多模态架构NEO-unify，并于4月开源基于该架构的多模态模型SenseNova U1，率先切入设计赛道。而在2026WAIC大会期间，商汤推出了可交付级别的旗舰模型SenseNova U1 Pro，这款全球首个以“理解、生成、行动”原生统一为内核的多模态工具，具备内生的“图文交错思维”，能够直接输出8K顶级画质的成品，在设计领域直接对标全球顶尖的GPT-Image-2。

原生统一架构的技术突围

长期以来，多模态大模型的主流技术路线都是“拼接式架构”：在成熟的语言大模型之外外挂独立的视觉编码器，本质上是先将图像“翻译”为文本，再交由语言模型处理。这种方案工程门槛低、训练速度快，但技术天花板明显——翻译过程会损耗大量精细化的空间和感知细节，导致视觉与语言的融合效率低下，并非真正的“看见”。

林达华带领的商汤团队很早就意识到了拼接架构的局限，他们认为多模态的终极形态，应该是让不同的AI模态拥有共同的语言和统一表征，能够像人类大脑一样顺畅无阻地深度沟通。2025年中，团队联合南洋理工大学S-Lab在小规模数据上验证了原生融合的设想；同年9月，团队发表学术论文首次系统阐述了彻底移除视觉编码器、建立深层融合的原生多模态NEO架构；2026年3月，商汤进一步发布升级后的NEO-unify架构及相关论文，系统提出了端到端原生统一模型的宏大构想。

在NEO-unify架构中，商汤彻底移除了主流大模型普遍依赖的视觉编码器和变分自编码器，让模型无需“翻译器”，直接从像素和文字中学习。支撑这套架构的是自研的Mixture-of-Transformers（MoT）架构，让语言和视觉信息在模型的每一层计算中完成深度交融。这种从架构层面的重构，意义堪比Transformer之于大语言模型。

令人惊喜的是，这套架构的训练效率极高：仅需3.9亿图像文本示例，仅为业界同等性能模型数据量的1/10，就涌现出了顶尖的视觉感知和推理能力。开源版本的SenseNova U1拥有真正的“图文交错思维链”，可以在同一个上下文里边写字边插图，确保图像和文字在风格与内在逻辑上具备极高的一致性。在同量级开源模型中，仅8B体量起步的U1直接斩获SOTA性能，部分表现甚至跨代直逼主流大型闭源模型。

针对信息图这一极具商业价值的场景，SenseNova系列进行了高频迭代：infographic-V1重构底层算力架构，提升信息密度与排版质感；infographic-V2攻克了“字数一多画面就糊、错字频发”的行业顽疾，大幅提升小字清晰度与排版精度；infographic-V3则重磅引入可编辑功能，让用户可以随时点选修改画面。

从实验室到商用：U1 Pro的交付级突破

在当前的AI热潮中，能生成漂亮图片的AI比比皆是，但一旦进入真实的商业设计场景，这些工具往往就会露出破绽：复杂排版、密集信息、长需求描述的任务中，它们很容易出现图不达意、细节缺失的问题。这是因为“画画”依靠的是审美概率，而“设计”需要的是精准的逻辑与控制。

林达华将U1 Pro定位为一款在审美和设计能力上都达到专业级别的产品，这背后是漫长且严苛的专业化淬炼。整个模型的训练过程，就像一位顶尖设计师的成长史：团队构建了规模过亿甚至逼近数十亿级别的超大型“多模态题库”，单张设计图对应的文字描述和需求说明往往长达上千字。这些天然现实中稀缺的高质量数据，依靠人工与算法精准创造，支撑起了U1 Pro的专业能力。

U1 Pro的训练流分为三个阶段：预训练阶段吞吐数十亿级的图文原生交错数据，打下深厚的认知地基；持续预训练阶段以高比例的合成数据为主力，在数亿量级的数据海中高强度拉升模型的专业设计能力；最终的后训练阶段则百里挑一，精选千万量级的黄金数据进行精雕细琢，让模型的审美沉淀出成品级的交付质感。支撑这套庞大合成数据体系的，是商汤内部一套由超级Agent驱动的复杂自动化数据合成管线。

为了打磨“审美的最后一公里”，商汤还组建了一支由200名美院学生和专业设计师组成的“人类审美团”，他们每天的工作就是对着U1 Pro生成的作品反复找茬、打分，让模型在真实的商业反馈中不断精进。

聚焦信息图：解决商业化的最后一公里

商汤为多模态战略选择的核心赛道是设计方向，尤其是信息图，这是一个商业化价值极强的场景，电商、广告、游戏、出海贸易等B端领域都有大量设计需求。根据相关行业报告，2026年全球设计领域的生成式AI市场规模约为13.3亿美元，大型企业和企业级客户贡献了超过47%的市场份额，是AI设计工具最大的买单方。

长期以来，AI生图走向高端商业化始终面临难以逾越的瓶颈：比如无法准确理解需求导致图不达意，模板拼接方案存在的割裂感，无法建立元素间的设计因果，只是简单堆砌图形文字，完全不理解版式排布、元素搭配与品牌表达的内在关联。一旦客户提出局部微调需求，往往会牵一发而动全身，修改成本甚至超过重新原创。

林达华用一句话点破行业痛点：“学术界生成一张图，100个字错1个，论文里可以打99分。但真实商业世界里，一张客户的海报错一个字，这张图就是废纸，只能打0分。”

U1 Pro依托原生统一多模态架构，从底层理解到图像生成系统性解决了上述难题。在评判模型优劣的标准上，林达华认为只有一个：交付率，也就是生成内容无需大幅修改，可直接交付商用，达到付费专业设计师的出品标准。他公布U1 Pro的最新交付率数据稳定在70%，这个数字放在真实商业场景中足以改变设计赛道的供需关系。60%是商业可交付的基准线，放眼全球，仅有两个多模态模型超越这一基准：商汤U1 Pro和OpenAI的GPT-Image-2，后者被称为多模态行业的御用标尺。

70%的交付率背后是严苛的全维度品控：文字错误率控制在千分级，整张图上千文字仅极低概率出现错字；图形元素、空间布局、色彩搭配等细节错误同样控制在千分级。这意味着U1 Pro真正具备了人类主观的“高级审美”，能够做出让客户心甘情愿买单的设计。

U1 Pro的核心技术在于商汤设计的“视觉拆解思维链”学习模式，将模型训练成了“会思考的设计师”。在训练过程中，当模型拿到一张高质量海报，会先自动拆解图像全部视觉组件，再逆向推理设计师的版式布局逻辑、色彩搭配思路，生成完整的设计思维链进行学习，不只是学形似，而是抓思路、抓神韵。

在生成图片时，U1 Pro不像传统模型那样“一次性盲盒出图”，而是采用多轮智能体生成闭环：第一步基于文本需求拆解信息、规划版式，形成完整的设计方案；第二步依靠内生能力完成全图生成；第三步启动全局自检，识别文字错误、布局瑕疵与审美问题，不断反向迭代修改，直到完全符合交付标准才会输出最终成品。

从设计到世界模型：长期主义的技术布局

在采访中，林达华透露了一个有趣的细节：U1 Pro已经具备了一定的空间推演能力，甚至能够玩魔方。这意味着这款被定位为“设计师”的模型，已经开始隐隐触摸到三维世界的边缘。

在商汤的技术版图中，世界模型并非与多模态底座平行的另一条线，而是视觉与语言深度融合基座上的自然分支，就像Transformer底座可以长出各种大语言模型一样。当下大热的具身智能，同样是这个底座上的成熟分支。以商汤“1+X”战略下孵化的生态企业大晓机器人为例，其推出的“开悟”世界模型，核心就是理解、生成、预测的统一，其底层技术依然是视觉与语言结合的多模态底座，只是在训练中具身数据占比更高。

值得一提的是，就在7月13日，商汤还发布了另一款理解与生成统一的视觉大模型SenseNova-Vision，其核心战略是让视觉成为通用基础模型的原生能力，这种原生视觉能力在多个维度上超越了专用视觉模型，过去需要大量定制化的目标检测、图像分割、深度预测、3D重建等经典视觉任务，现在仅用一个模型就能完成。

终极目标：物理世界的AGI

林达华透露，下一代模型U2将真正走向三维。如果说U1还是在二维平面上的设计，那么U2将融入视频的理解和生成，把感知、理解、生成、行动全部一体化。“也许再下一个版本，你给它一张设计草图，它能把整个建筑造出来。”

而更远处的终极形态，是将模态从视觉、语言扩展到几十种传感器信号，“那个时候，才是大家认为的最完整的世界模型。”

通往终极世界模型的道路并非坦途，物理规则的复杂性超乎想象。在林达华看来，未来不仅要纳入物理规则，还要加入人类社会学等更多维度。“今天机器人能准确拿起一杯水，明天它可能会区分一杯沸水和一杯温水，并做出不同的动作反应。”

每新增一个物理属性维度，数据组合的量级就会指数级暴涨，算力和存储会成为无法突破的瓶颈。林达华对此给出了独到的解题思路：或许未来的解法是对世界属性进行解耦，拆分出不同属性的专用子模型，让它们有机组合、协同推理，而不是穷尽所有数据组合。

在这场充满未知与瓶颈的科学马拉松中，林达华眼中没有疲惫，只有拓荒者的兴奋。采访临近尾声时，当被问到最想带领团队攻克的下一个技术山头是什么，他没有任何犹豫地回答：“物理世界的AGI。”

或许，在AI与人类之间，那些说不出的细节与感知，恰恰是智能最坚硬的部分。