把 4K 生图门槛打下来！商汤开源 SenseNova U1.5 Lite

作者｜樊雅婷
微信｜FFF111f__

以前的 AI 生图，连六根手指、文字乱码、透视错乱这类基本关都过不了，更不用说商用了。

如今模型能力大幅跃升，用户的要求也随之水涨船高。文字渲染、复杂版式、多图参考、局部编辑、原生4K——这些过去需要多个工具协作才能完成的任务，现在正被压缩进同一套模型之中。

但「能力出现」和「能力可用」之间，依然横亘着不小的距离。一张商业海报可能同时包含人物、产品、商标文字、指定数量、前后空间关系、品牌色号以及若干禁改项，任何一个要素被模型遗漏，整张图就要推倒重来。而每一次推倒重来，都意味着新的token消耗。

甲方的无数条修改意见，就这样在反复生成中被放大为高昂的算力成本。

正因如此，当生图模型真正进入创作流程之后，用户的诉求已经非常明确：更快的时间，更好的交付，更低的成本。

8月3日，商汤开源 SenseNova U1.5 Lite Preview，初步展示了原生统一多模态模型在图像生成与编辑上的能力边界。今天，正式版 SenseNova U1.5 Lite继续向前迈出一步，目标是让这些能力真正融入视觉创作与交付流程。

这一次升级，商汤没有继续在模型规模上做文章。

由 SenseNova U1.5 Lite生成的图书封面

通过精调训练数据、重调后训练流程、优化任务设计，最终打磨出的 SenseNova U1.5 Lite，是一款轻量级、原生统一多模态开源模型。它的目标也非常具体，就是解决用户最真实的诉求，做到更稳、更准、更好。

1

先把分数摆上来

开源生图从来不缺尝试者。难的是在保持模型开放、轻量和可部署的同时，把画质、文字、布局与编辑放进同一个模型，而且每一项都不能成为明显短板。

SenseNova U1.5 Lite 与主流开源、闭源图片模型横向Benchmark

在完整横向评测中，SenseNova U1.5 Lite 在所有维度都位于开源生图模型的领先位置，并且展现了比较均衡的系统能力，在复杂指令、视觉质量和创意生成等维度都表现出较强竞争力。

正式版的提升没有集中在某一项孤立技能上。生成质量、指令执行和编辑能力都在进步。

U1.5 Lite 还能在确保更高性能同时，实现更少的生成延迟。下图显示了测评中，SenseNova U1.5 Lite在 OneIG（EN、ZH）、LongText（EN、ZH）、BizGenEval（Easy、Hard）、CVTG、IGenBench 与 Qwen-Image-Bench 上的生成延迟与平均性能对比。

对于需要批量生成海报、电商图和营销素材的团队，这样带来的意义就很直接。同样的时间和预算，可以支持更多次尝试，也能把生成能力放进更高频的工作流。

不过，Benchmark 终究是一张坐标图。

把这些分数塞进一份真实的设计需求，事情才开始变得有意思。

1

一些实测

一条长Prompt，能不能变成一张完整海报

以前的 AI 生图，提示词太长，模型执行指令时候就会变成金鱼，出现遗忘现象。

所以，第一个测试，是一条长得有些不讲道理的Prompt。

一张竖版2:3复古城市旅行海报，香港维多利亚港，前景是木质红帆船，深红棕色帆面张开，海面有波纹和倒影；中景是现代香港天际线，密集高层建筑，右侧有一栋高耸圆角玻璃摩天楼，左中有带斜向交叉结构的尖顶高楼，建筑背后有灰绿色山体轮廓；远景天空为米白色，右上角有淡橙色柔和小太阳，天空中有几只飞鸟剪影。左上角是巨大的黑色窄长衬线英文标题“HONG KONG”，分两行排列，非常醒目；标题下方有红棕色小号英文副标题“HONG KONG”和几行小字说明。右上角有竖排中文“香港”，红棕色细长宋体，下方有小英文和红色印章式装饰。

整体为复古高端旅行海报风格，摄影底图与平面排版结合，低饱和暖色调，米色纸张质感，轻微胶片颗粒，柔和雾气和空气透视，构图左重右轻，留白充足，画面安静怀旧，像高端城市旅游杂志封面。不要出现水印、二维码、品牌标志、乱码文字，不要现代游艇或快艇，不要高饱和蓝天或强烈夕阳，文字清晰准确。

可以看到效果不错，从真的理解到真的执行。

4K不只是把画布放大

高分辨率生成最容易被误解成像素数量的简单增加。

真正困难的，是画布变大之后，模型还能不能稳住整张图的全局结构。标题、正文、图标和人物之间的关系不能散，局部的文字边缘、材质纹理和光影过渡也不能糊成一片。

U1.5 Lite 正式版原生支持 2K 和 4K 生成。在广告级的画幅下，细节经不经得起推敲，一张图说了不算，放大到 100% 才算。

所以我决定拿时尚封面杂志来试。

前卫高定时装摄影。一位模特身着半透明纸质高定服装，由褶皱、折叠插片、层叠纸板构成。构图上方密集、下方留白，地面有一处红色折纸点缀。配色为绿玉色阴影、阳光黄透光纸边、中国红插片、纯白表面。关键词是摄影，前卫高定时尚大片，纸艺工程，风动感，实验冷静气质。

可以看见成片保留要求的同时保留了纸张褶皱、皮肤纹理的真实感。

改一个地方，其他地方不动

第三组测试从一张已经完成的海报开始。

我给的提示词是

把图片中标题的文字样式改为带有噪点和撕纸纹理的复古风格。

再来一个更细节的。我给的 prompt 是

保持这个配色，将左侧红框中的图案换成更真实的3d金属设备 红框仅用于定位，输出图像中不要保留红框。其他地方不变。

可以看到，这两次海报的局部编辑，除了我的要求，其他地方什么都没改变。

算是高质量的修改交付。

这也对应U1.5 Lite正式版后训练中的一个重要目标：Editing Preservation。

好的编辑需要同时完成两个动作。一边准确执行修改，一边保护原图。该动的地方要动，不该动的地方尽量别动。

当这种保持能力逐渐稳定，图片模型才能从一次性生成器变成可反复沟通的创作工具。用户不再需要每次都推倒重来，可以在同一张作品上继续修改。

下面我们尝试下保持参考图的风格和布局，进行编辑：

参考这张图的水墨视觉语言，生成一张候鸟迁徙廊道保护信息图。

参考图

成图

接下来，我计划再给模型多看几张图，难度还会继续增加。

多张参考图融合出成片

多图参考真正难的地方，是模型能不能分清每张图的职责。

可能它需要保留第一张图里的人物身份，借用第二张图的色彩和材质，再沿用第三张图的版式关系。参考图之间不能互相污染，风格迁移也不能吞掉主体。

U1.5 Lite支持单图、多图参考，以及 Bounding Box、Visual Marker 等控制方式。用户可以指定对象和区域，完成元素插入、替换、局部精修和参考风格迁移。

我把我喜欢的动漫角色都放进一张海报里。

上传这五张图片之后，我给的 prompt 是：

帮我为学校咖啡厅活动设计一张可爱的动漫海报，我想让绿发女孩当我们的厨师，酷男孩（图3）当服务员，黑发女孩（图4）当接待员。让那位严肃的男士（图1）当美食评论家，甜美金发女孩当开心的顾客。请添加一些简单的英文标题，比如“Sweet Cafe”，让它看起来像真正的活动传单。

可以看到最后的成图信息清晰，符合要求。时间 / 地点 / 菜单三个部分以小卡片的形式独立列出,还设计了 So yummy、Come & Enjoy 等符合人物形象的小对白，用气泡呈现增加了活泼感。

模仿、借鉴，再创作

当你的灵感来自于他人的作品，这个时候就可以让模型参考之后进行再创作。就像我觉得下面这张图很好看，我想自己模仿这张图设计一张其他主题的海报。所以我就

更新图1中的主客厅插图，使其与图2中的蓝绿色沙发和几何配色方案相匹配。将现有的白色和橙色沙发替换为蓝绿色L型转角沙发，并更新地毯、扶手椅和墙面装饰，使其采用包含蓝绿色、芥末黄、陶土红、米色和深蓝色的几何图案。添加图3中那只戴着蓝绿色项圈的浅棕色卷毛贵宾犬，让它坐在房间中央扶手椅之间的几何图案地毯上。更新家具布局示意图和配色方案部分，以体现这一新的蓝绿色和几何配色主题。

最后的效果呈现，实力无需多言。

图一图二图三成图

当模型能够区分参考谁的主体、借用谁的风格、沿用谁的布局，多图参考才真正离开玩法展示，进入创作流程。

1

一个模型，怎样同时做好几件事

SenseNova U1.5 Lite 延续了 NEO-unify 的原生统一多模态路线。

在同一个模型架构之下，视觉理解、图像生成与图像编辑被共同训练。模型首先理解原始图像和用户指令，识别其中的主体、文字与空间关系，再完成像素级的最终生成。整个过程中，用户无需在理解模型、生成模型和编辑工具之间反复切换。

统一带来的价值，还进一步体现在能力的迁移上。

模型在视觉理解任务中习得了结构、位置、文字排布与信息层级，这些认知成果可以顺滑地迁移到生成和编辑任务中。面对一条较长的自然语言指令，模型需要解析的已经不是孤立的关键词，而是这些要求之间的内在关系：谁在左边，谁不能被遮挡，哪段文字属于哪个区域，修改时又有哪些内容必须被保留。这正是 U1.5 Lite 能够处理层级化视觉需求，却不需要依赖固定 JSON 模板的原因之一。

但统一训练解决了能力共享的问题之后，新的矛盾也随之浮现。

OCR 关心文字是否准确可读，美学关心构图、色彩和整体质感，编辑则还要兼顾主体身份与结构保持。如果简单地把所有训练目标混在一起，往往会出现一项能力变强、另一项反而被削弱的窘境。

正式版的应对策略，是让各项专项能力先分别变强。

商汤训练了 OCR、美学和编辑等多个 Expert：OCR Expert 强化中英文文字识别与排版质量，美学 Expert 改善构图、色彩、材质、光影和真实感，编辑 Expert 则负责确保主体身份、空间结构以及非编辑区域的一致保持。随后，通过 MOPD 将这些 Expert 的能力重新蒸馏回 U1.5 Lite 中。

最终部署的，仍然只有一个模型——没有额外的 Router，用户也无需关心该调用哪一个 Expert，生成和编辑继续通过统一接口完成。

在此基础上，正式版又引入了更精细的任务导向 RL。它优化的三个目标，都能与前面的测试维度一一对应：Instruction Compliance 关注复杂指令是否被执行完整，Visual Preference 关注构图、真实感和整体完成度，Editing Preservation 关注指定区域是否改对、其他区域能否保持不变。

最后交付的，仍然是 U1.5 Lite，一个轻量级、易部署的统一模型。

1

多模态是一件慢回报的事

把镜头拉远，多模态模型正在进入一个更现实的阶段。

能力仍在增长，行业却已经开始算账。投入多少，成本几何，回报又在哪。参数规模能快速制造话题，但真实视觉任务里的稳定性，靠的是数据、评测和一次次后训练，慢慢磨出来。

长指令会不会漏、文字能不能写对、4K下结构能否保持、局部编辑会不会破坏整张图，这些看似微小的问题恰恰决定了模型能不能真正进入海报、信息图、电商素材和品牌视觉的日常生产。

商汤选择继续沿着原生统一的路线投入。

从 U1 到 U1.5 Preview，再到正式版，SenseNova 没有简单叠加一份更长的能力清单。它在尝试回答一个更实际的问题：一个轻量级、统一、开源的多模态模型，能不能更完整地承担真实视觉创作任务？

U1.5 Lite 给出的答案是让能力更强，也让能力更稳。

把视野再拉开一点，视觉创作只是多模态进入现实世界的一站。一个模型需要先理解画面中的对象、文字和空间关系，才能进一步生成、编辑，最终与更复杂的真实环境发生连接。

这条路不会很快。

但对今天的用户来说，判断它有没有向前走并不难。只需要把它放在最真实的需求里，一试便知。

会生成只是起点，稳定地完成任务，才是开源视觉模型真正进入生产的开始。

GitHub：

https://github.com/OpenSenseNova/SenseNova-U1

Hugging Face：

https://huggingface.co/collections/sensenova/sensenova-u15

SenseNova Studio在线体验：

https://unify.light-ai.top/

点个“爱心”，再走 吧