Fast Reading

在2026年WAIC期间，商汤科技正式发布全新多模态基座商汤日日新 SenseNova-U1 Pro，实现“交付级”的复杂图片创作能力。

最重要的技术创新，都必须跨越一道工业红线：从展示效果的“玩具”，变成推动生产力变革的工具。

语言让机器理解人类表达，视觉让机器感知真实环境，而二者的融合，才可能让AI真正进入物理世界。

作者| 于米

编辑 | 黄运涛

林达华并不否认AI竞争中的“快”。

过去一年，大模型行业进入高速迭代期，新模型、新应用甚至新的创业公司不断涌现。对于技术公司而言，速度似乎成为一种生存能力。

但作为商汤科技联合创始人、首席科学家，林达华对“快”有另一种理解。

“快跟慢需要辩证地看。”林达华说。在大模型领域，真正的快往往来自长期的慢。没有持续投入形成的技术积累、基础设施和迭代闭环，所谓速度只是短暂的领先。ChatGPT的诞生看似突然，背后却是OpenAI多年研究投入后的集中释放。

这也是商汤面对多模态大模型竞争时选择的路径：不追逐短期风口，而是围绕底层架构持续投入，等待技术积累跨越从实验室能力到产业价值的临界点。

7月18日，在2026世界人工智能大会（WAIC）期间，商汤科技正式发布全新多模态基座——商汤日日新 SenseNova-U1 Pro（以下简称U1 Pro）。

通过围绕视觉创作进行迭代，U1 Pro实现了“交付级”的复杂图片创作能力，媲美国际顶尖模型。它可以通过内生的图文交错思维进行深度创作和交付，是业界首个以“理解、生成、行动”原生统一为内核的多模态智能体基座。

在行业普遍通过模块组合提升模型能力时，商汤希望从底层改变模型理解世界的方式。

在林达华看来，最底层的创新什么时候才能够在商业化上取得巨大成功，具有很大的不确定性。但他相信，那些最重要的技术创新，最终都必须跨越一道工业红线：从展示效果的“玩具”，变成推动生产力变革的工具。

U1 Pro是这一判断的最新实践。

林达华打了一个比喻，如果说传统文生图模型是一个生成工具，那么U1 Pro更像一个会思考的设计师。它能够理解用户意图，在生成、修改、优化之间不断迭代，最终形成可交付的图片作品。

但设计只是起点。

在商汤更长期的技术蓝图中，多模态模型最终要走向世界模型。语言让机器理解人类表达，视觉让机器感知真实环境，而二者的融合，才可能让AI真正进入物理世界。“我们希望通过语言跟视觉的联合涌现，来实现更广阔物理空间下的AGI。”林达华说。

在商汤科技正式发布U1 Pro前，雪豹财经社等与林达华进行过一次交流，以下为访谈实录（节选，经编辑）：

跨越工业红线

Q1：大模型行业都在追求快，作为技术带头人，你对“快”这个字如何理解？

林达华：快跟慢需要辩证地看。慢，代表长期主义，坚持在一个方向上持续投入和积累。快，则代表前期的投入建设起了一整个基础设施和闭环的迭代链路。在大模型领域，你很难在两三个月内突然在一个方向上建立起深厚的竞争力。

OpenAI推出ChatGPT，是长时间铺垫后的厚积薄发。当产品推出去、获得大量用户反馈后，迭代速度确实会极大提高。但“快”绝不能是“打一枪换一个地方”，否则就无法形成长期复利的飞轮。

Q2：越懂技术的人越容易因为知晓难度而谨慎，商汤在坚持做原生统一架构时，是否经历过商业化被别人抢跑的焦虑？

林达华：确实有这个可能性。今年4月份我们开源U1轻量版并发布详细技术报告时，我们也担心过别人会很快借鉴。但我认为，最底层的创新什么时候才能够在商业化上取得巨大成功，具有很大的不确定性。

最初做U1时，我们尝试过视觉推理、具身智能等不同方向。后来，我们从今年上半年备受市场青睐的Coding赛道中得到启发：一个技术只要突破了工业红线，达到能够实现生产力变革，而不仅是玩具水平的时候，它就一定能打开巨大的商业空间。

Q3：视觉设计是一个巨大的赛道，U1 Pro 是如何在其中找到突破口的？

林达华：在4月份开源U1时，我们做了一个“图文交错思维”的探索，发现模型具备了初步的连续创作可能性——你可以先画草图，再去补充细节、着色，最后变成丰富的图像。这就让我们看到了一种可能性：它是否能像一个设计师一样去工作，从而改变整个设计行业？这能把生图从“好玩、看着不错”的娱乐属性，转变为改变生产力、打开商业化空间、实现成品级设计的核心力量。

Q4：商汤如何定义图像设计的“可交付”标准？

林达华：我们内部的标准非常简单：60分叫做“交付级”。我们有一个由两百位美院学生和设计师组成的团队，他们只给每张图评判一句话：“作为设计师，你愿不愿意把这张图直接交给你的客户？”

如果60%以上的出图能够达到这个标准，我们就认为它达到了交付级。在我们的内部评测中，今年年初以前出来的各种生图模型（包括小规模开源模型）在这块的交付率只有个位数；近期出来的商业化模型，其交付率也低于五成。目前能够达到交付级的只有两个模型：一个是我们的U1 Pro，另一个是GPT-Image 2。

Q5：对于交付级的生图模型，评价维度与传统评测有何区别？

林达华：区别在于容错率。比如一张海报里有一百个字，如果错了一个字，你大概率是不敢拿去打印并满大街张贴的。

在传统的生图评价体系里，一百个字错一个字它还能得99分，因为它是平均评价所有维度的。但对于交付级生成来说，一百个字错一个字，这张图就是不可用的，就是0分。很多传统的生图软件没法交付，就是因为细节总是出瑕疵。我们必须做到生出来的图没有瑕疵，用户拿到就可以直接冲印和打印。一旦打穿这个工业红线，商业闭环就能规模化打开。

Q6：对于设计类大模型，商汤是如何规划C端与B端的商业模式的？

林达华：举个例子，我们另外一款产品“小浣熊”，它在C端的增长很快，现在已有200多万活跃周用户。C端用户在试用后觉得好，当我们的销售再去向B端客户推广时，市场教育和沟通成本就会低很多。

C端可能并不是我们收入的主要来源，但它能为我们带来源源不断、有愿意付费的B端客户。我们目前已经有一些KA（关键客户）在游戏、设计等内部环境中试用我们的专业版模型。

U1 Pro：一个会思考的设计师

Q7：如果用一句话来区分 U1 Pro 和传统的文生图模型，你会怎么讲？

林达华：U1 Pro 是一个创作模型，而不是一个生成模型。传统的生成模型是“Prompt直出图像”，中间没有过程；而U1 Pro 像一个会思考的设计师，在理解、生成和行动的循环中，多步迭代、逐渐形成高美学的成品图像。

Q8：主打原生统一的架构，在结构和性能上有什么具体优势？

林达华：最核心的优势在于结构非常简单，非常适合Scale（参数扩展）。当结构过于复杂时，设计更大集群的训练和推理系统会面临各种平衡计算特性的难题。更重要的是“表征空间的统一”。如果理解和生成分别走不同的通道，其表征层面就是不融合的，就像外国人跟中国人说话总是需要翻译。如果它们都用同一种语言（同一个表征空间）进行学习和交融，学习效率、服务效率和推理效率都会有质的提升。

Q9：在没有显示调度信号的情况下，原生统一架构是如何决定这一步该输出文字还是输出图片的？

林达华：这里没有调度信号，它采用的是非常标准的自回归（Auto-regressive）方式，也就是不断地Predict the next token（预测下一个Token）。

在我们的架构里，出图像的地方都会有特殊的Beginning Tag和Slash Tag（结束标记），图像本身也有对应的Token。当模型运行到那个点，觉得Next token就应当是图像时，它自然就会往生成图像的方向去走。

Q10：U1 Pro 支持原生8K输出，这在带来画质突破的同时，如何控制计算量和显存成本？

林达华：高分辨率意味着视觉Token数量激增。我们为此做出了几项关键创新：

第一，我们使用了32×32的大Patch（普通的生图软件一般采用16×16的小Patch），这使得Token数量直接降低到原来的四分之一。

第二，大Patch面临的挑战是对细节的精准控制力。我们研发了“自适应噪声控制（Adaptive Noise Control）”手段，帮助模型有效捕捉并学好细节。

第三，我们在空间采样上允许Patch之间有一定的Overlap，结合模型结构的专门优化，确保Context在没有发生爆炸性增长的前提下，依然获得极强的大图生成能力。

Q11：与 GPT Image 2 相比，U1 Pro 在设计感和细节控制上有什么差异化优势？

林达华：我们自己观察，U1 Pro在文字能力、设计感以及细节控制上，甚至比GPT Image 2更胜一筹。因为在我们的迭代回路中，有至少两百位专业设计师在不断给模型提供强化学习的反馈，这赋予了模型很强的中式美感与艺术细节表现力。

此外，GPT Image 2只能出到4k，我们能原生出8k。比如在7月18日的发布会上，大家会看到一张类似《清明上河图》的长幅巨作，它是单一长图直接生成的，能铺满现场极宽的屏幕。这种复杂大长图的生成，是GPT Image 2目前绝对生成不出来的。

Q12：U1 系列包含了 Pro（闭源）、Standard（开源）、Fast（高并发版），这种分层逻辑背后的考量是什么？

林达华：通过不同的策略和模型大小，我们在算力成本和生成性能之间做了分层。这背后对应的是我们想要同时实现的三个目标：

1. 拥抱社区（Standard开源版）：我们认为任何健康可持续的商业模式都离不开一个共同成长的生态。通过开源轻量级模型，能让学术界和开发者共同探索技术边界。

2. 专业交付（Pro专业版）：面向高端专业级用户，追求完美无缺、可以直接拿去印刷的高品质画面，它需要多轮深度迭代，对算力要求高。

3. 高并发C端体验（Fast快版）：针对大部分普通用户，他们可能需要10秒钟快出一张图，发个朋友圈，对美学精度要求没那么极致，这就需要极低延迟、极低成本的服务。

Q13：U1 Pro 强调“理解、生成、行动”三位一体。在图像生成中，这种“行动与思考”是如何具体运作的？

林达华：它本质上是一个很强的多模态模型在执行一个多步的任务逻辑。我们为它提供了一个Action Space（行动空间），它每走一步都会做出生成、局部编辑或者组合构建等行动。

我们将设计师的专业意见整理为Instruction（思维链），帮助模型做冷启动。随后利用多维度（如文字对齐、构图美感等）的Reward Model（奖励模型）进行强化学习。每出一张图，系统都会给反馈，模型在自适应地纠错中学会了“看到不同的画面情况，自己去Sense下一步应该做什么”。

语言与视觉联合涌现的AGI终局

Q14：现在“世界模型”被赋予了不同的定义。在商汤的技术架构中，如何判定一个模型具备了“世界模型”的属性？

林达华：在我们的定义里，世界模型必须能够有效地去建模这个世界。这意味着：当你对这个世界采取任何一个动作时模型能够尽可能忠实、符合物理规律地去反映这个世界由于交互所产生的状态变化。比如，机器人往前走一步，或者端起杯子。因此，世界模型绝不仅是一个“视频生成模型”，而是一个具备空间动态交互建模能力的模型。

Q15：你曾提出大模型的进化方向是Words to Worlds，从数字空间向真实空间交互跨越。这会是商汤长期的战略方向吗？

林达华：你可以把它理解为商汤的终极愿景——我们希望通过“语言跟视觉的联合涌现”，来实现更广阔物理空间下的AGI。我们所理解的AGI，绝不是一个狭义的、只能处理文字或写代码的模型，而是像人一样，拥有能将视觉感知与语言语义发生深度融合的通用智能。一旦实现这个，才能迎来机器人的“GPT时刻”。目前绝大多数具身智能机器人，其行动逻辑都只能局限在非常有限的范围内。

Q16：在走向这个终极愿景的漫长过程中，商汤还需要补足哪些维度的能力？

林达华：我们需要从三个层面逐级攻克：

1. 架构层面：我们已经通过原生统一架构，做好了能让视觉和语言在同一个空间表达、融合、交互的地基。

2. 数据层面：我们需要捕捉更为多样化的数据。除了生图与设计，还需要采集三维物理空间数据，以及通过模拟生成的带有空间结构的多模态数据。

3. 训练范式层面：纯文本大模型的next token prediction无法捕捉复杂的连续空间结构。我们必须在深层融合的表征空间上，探索next frame prediction或next view prediction。让模型学会在特定视角下把图像“生成”出来，再跟真实物理世界做比对和判断。

Q17：在面向更通用的 Agent（智能体）基座时，商汤为什么坚持使用多模态理解与生成模型，而不是业界常用的 Coding 或文本通用大模型？

林达华：因为通用AGI一定离不开视觉。纯文本和代码模型是打不开空间能力和视觉感知的，而且现实世界里的很多视觉信息是无法完全用语言表达出来的。我们期待的是视觉与语言在底座上的深层融合、联合涌现，这是打开物理世界现实应用的唯一钥匙。

群雄逐鹿，商汤优势何在？

Q18：在字节、腾讯等巨头林立，以及独立AI公司不断涌现的竞争格局中，商汤处于什么位置？

林达华：商汤目前在收入上是一家中等规模的公司，很难在所有赛道上和巨头直接拼体量、拼资本。但商汤有一个独特优势，就是我们从管理层到研发团队，对技术路线都有着极深的信仰和坚持。

我们所有的战略——从开悟世界模型、具身智能平台，到现在的设计模型，全部共用一套“原生统一架构”服务于不同的下游任务。巨头的热点，每个阶段都在变，但终局是一致的。我们在走向终点的过程中，率先通过机器人巡检、外卖、视觉设计等应用打穿行业，获得持续的商业闭环和资金，支撑我们往终点走下去。

Q19：今年AI人才竞争呈白热化，许多公司开出天价抢人，商汤怎么留住人才？

林达华：商汤研究体系团队今年的稳定性非常强。我们之所以能凝聚共识，是因为所有参与统一架构研发的同学，都对这个长期愿景有极深的信仰。一个有历史意义、能让大家在技术长河中留下独特印记的愿景，有时候更能吸引和留住最顶尖的人。

Q20：外界常把商汤称为“AI人才的黄埔军校”，你如何看待员工离开商汤去创业？

林达华：我认为年轻人去追求创新、创业，去做改变历史的事情，是一个非常积极和正面的现象，这说明商汤的创新基因是非常强大的。

汤晓鸥老师当年创办商汤的初衷，就是为年轻人创造舞台。现在我们积极拥抱这个变化，提出了“1+X”战略。有些同事想出去创业，如果内部体系暂时无法完全支持，我们选择“扶上马，送一程”。他们的公司可以作为X，与商汤这个“1”（集团本体）在基础设施、技术服务和应用链路上形成非常好的生态协同。这让商汤的生态空间能以一种更开放的方式持续扩大。（End）

以下是用U1 Pro生成的6张效果图，

由雪豹财经社从商汤日日新官网获取：

封面来源：U1 Pro 官网