剛剛，中國AI首次贏了！一張8K東方長(zhǎng)卷驚艷全場(chǎng)

新智元報(bào)道

直出8K長(zhǎng)卷，中國AI還是首次！

就在今天，WAIC大會(huì)上，商湯正式發(fā)布下一代「滿血旗艦」——日日新SenseNova-U1 Pro。

這是業(yè)界頭一回，把「看懂、生成、動(dòng)手」原生做進(jìn)了同一個(gè)多模態(tài)基座的底層。

現(xiàn)場(chǎng)，商湯科技董事長(zhǎng)兼CEO徐立揭曉了一幅為WAIC九周年特制的「東方城市長(zhǎng)卷」——《智會(huì)世圖》。

8K超清巨制，受限于上傳規(guī)格，畫質(zhì)有所壓縮

從2018到2026，滿城人物、山水樓閣、市井百態(tài)，盡數(shù)收進(jìn)這一卷里——看到它，很難不想起《清明上河圖》。

而這么大一幅、鋪滿整面迎賓墻的畫，竟然是U1 Pro直出的。

換個(gè)場(chǎng)景，張張能交差

但一張全景圖，還裝不下它的全部本事。

東方長(zhǎng)卷 · 盛唐長(zhǎng)安西市

這張圖的細(xì)節(jié)堪稱恐怖。在21:9的超寬畫幅下，盛唐的煙火氣撲面而來。

畫面中足足塞進(jìn)了五十多號(hào)人物，最絕的是完全沒有AI常見的「復(fù)制粘貼」敷衍感。

放大來看，騎馬的官員、樂師彈琵琶、賣香料的胡商、追燈籠的孩童，每一個(gè)角色的神態(tài)、動(dòng)作和服飾制式都精準(zhǔn)獨(dú)立。

朱紅、赭石、深藍(lán)、琥珀金四色鋪開，燈籠暖光撞上夜色冷調(diào)，全在一次生成里落定。

電影海報(bào) · 雨夜來信

一張民國上海的懸疑電影海報(bào)。

雨夜的街頭，玻璃倒影里藏著三個(gè)人物——

AI畫面沒有簡(jiǎn)單粗暴地將偵探、神秘男和送信人「貼」在背景里，而是嚴(yán)格遵循了真實(shí)的物理空間關(guān)系。

通過老式郵局玻璃、雨水與薄霧的多層折射，將這三位敘事人物精妙地隱藏在倒影中，空間景深與懸疑張力直接拉滿。

片名帶著手寫的墨跡，就連演職員表都巧妙地被「加密」的黑線代替。氛圍、光影、文字、構(gòu)圖，一次到位。

動(dòng)畫海報(bào) ·二次元樂隊(duì)

一張8K的國風(fēng)二次元樂隊(duì)《長(zhǎng)安未眠》舞臺(tái)海報(bào)，簡(jiǎn)直令人拍案叫絕。

五個(gè)人，五種樂器，五套不重樣的國潮打扮，U1 Pro極其聰明地處理了群像排布。

背景中，水墨山河化作金色的聲波和飛鳥，與頂部的中文「長(zhǎng)安未眠」完美契合。朱紅、墨黑與鎏金的光影碰撞，把那種「盛唐賽博」的舞臺(tái)炸裂感直接拉到了最高。

商業(yè)廣告 · 山嵐高山烏龍茶

再看一張奢侈品級(jí)的茶葉廣告，最考驗(yàn)的是材質(zhì)和文字。

啞光紙盒、燙金字、薄胎白瓷、胡桃木桌、裊裊茶湯蒸汽——五種質(zhì)感堆在一張圖里，任何一處露出塑料感就廢了。

展覽海報(bào) · 山河入畫

換到平面設(shè)計(jì)，這張圖的高級(jí)感，是那種可以直接掛在頂級(jí)美術(shù)館門口的水平。

U1 Pro極其聰明地處理了「二維與三維」的打破與重組，底部的山體還是帶著在宣紙上洇開的墨跡，往上走，竟順滑地變成了有真實(shí)光影的3D巖石和云層。

朱紅色的絲帶貫穿山谷，與山腳下極小的白衣人物形成鮮明對(duì)比，那種「寄蜉蝣于天地」的宏大尺度感撲面而來。

而且，標(biāo)題、展期、地點(diǎn)、開放時(shí)間，不僅干凈利落，而且一個(gè)字都沒寫錯(cuò)。

老實(shí)說，在生圖領(lǐng)域，「長(zhǎng)文本排版」和「物理科學(xué)邏輯」是公認(rèn)的兩座大山。

但U1 Pro的成圖，直接把這兩座大山給推平了。

《月相》中文科普海報(bào)畫面中，從主副標(biāo)題、四段密集的科普正文，到圖注、底部知識(shí)卡片，幾百個(gè)漢字竟然做到了逐字精準(zhǔn)，零錯(cuò)字、零亂碼、零「AI偽漢字」。

更絕的是，AI常常缺乏空間物理常識(shí)，但U1 Pro精準(zhǔn)構(gòu)建了「日-地-月」的位置關(guān)系示意圖。

信息設(shè)計(jì) · 中國茶的六大茶類

信息圖再進(jìn)一步：六個(gè)模塊環(huán)繞中心茶杯，茶名、茶湯色、產(chǎn)地、山水小插畫各就各位，幾十處中文零亂碼，配色克制、邏輯清楚——一張能直接掛上博物館展板的圖。

從繁華長(zhǎng)卷到商業(yè)廣告，從科普卡片到電影海報(bào)，同一個(gè)模型，一口氣全包了。

這張《嵐月》角色設(shè)定圖，足以證明了U1 Pro具備了「主美級(jí)」的落地能力。

在這個(gè)二次元原創(chuàng)角色設(shè)定集中，AI一并繪制了主圖，以及三視圖、四個(gè)動(dòng)作圖、技能特效，外加一堆裝備細(xì)節(jié)和中文資料卡。

角色面部、復(fù)雜苗族銀飾、多層蠟染裙甲，在所有視角下保持絕對(duì)統(tǒng)一。

接下來，讓U1 Pro和GPT Image 2進(jìn)行一場(chǎng)「硬碰硬」的實(shí)戰(zhàn)。

在同一提示詞下，究竟誰的成圖更勝一籌？話不多說，直接看效果。

先來看看這道「麻婆豆腐」菜譜圖。 從整體觀感來說，U1 Pro贏在了「清爽」。

它知道菜譜的重點(diǎn)就是食材和做法，所以果斷去掉了花里胡哨的背景，讓人一眼就能抓住關(guān)鍵信息。

相比之下，GPT的畫面就顯得有些「用力過猛」了。

不僅整體色調(diào)偏黃，還在邊邊角角塞滿了川蜀建筑，讓整個(gè)畫面顯得十分擁擠、不夠直觀。

最致命的是它還加入了大量文字，結(jié)果弄巧成拙，比如角落里的印章，上面全是看不懂的「AI造字」，直接讓人出戲。

把一位設(shè)計(jì)師，裝進(jìn)模型里

這些圖隨便拎一張出來，都像出自專業(yè)設(shè)計(jì)師之手。

發(fā)布會(huì)上，SenseNova U1 Pro的官方定位是——面向復(fù)雜多模態(tài)任務(wù)的交付系統(tǒng)。

對(duì)此，商湯科技聯(lián)合創(chuàng)始人、首席科學(xué)家林達(dá)華給它概括了個(gè)更一目了然的名字：創(chuàng)作模型。

區(qū)別就在「創(chuàng)作」兩個(gè)字。

傳統(tǒng)的AI生成流程是：你輸一段prompt，它出一張圖。不推敲、不打草稿，成不成看運(yùn)氣。

但U1 Pro不一樣，它干起活來更像是個(gè)會(huì)思考的設(shè)計(jì)師。

在接到需求之后，U1 Pro會(huì)先想版式、打草圖，然后還會(huì)回頭審一遍對(duì)不對(duì)味，再一塊塊填細(xì)節(jié)，最后統(tǒng)一調(diào)色、精修。

這一整套「看—改—想下一步」的背后，是Agentic Generation Loop數(shù)十輪的長(zhǎng)程迭代。只不過復(fù)雜的思維鏈被壓在底層，交到你手里的直接就是成品。

就像Coding模型交付的不是軟件，是一個(gè)會(huì)敲代碼的程序員；U1 Pro交付的，是一個(gè)活在數(shù)字里的設(shè)計(jì)師。

而設(shè)計(jì)師和抽卡機(jī)，差的就是能不能交付。

錯(cuò)一個(gè)字，就是0分

舉個(gè)例子。

一張100個(gè)字的圖，錯(cuò)1個(gè)字，普通生圖模型按平均分算還能給你99；可到了交付級(jí)，錯(cuò)1個(gè)字整張圖就是0分。畢竟誰也不想等海報(bào)貼滿了大街，才猛然發(fā)現(xiàn)角落里還躺著一個(gè)錯(cuò)字。

為了驗(yàn)證U1 Pro的成色到底怎樣，商湯特地請(qǐng)來200位美院學(xué)生和設(shè)計(jì)師組成評(píng)審團(tuán)，給每張圖打分——

如果你是設(shè)計(jì)師，你敢不敢把它交給客戶？

如果一批圖里有六成敢直接交給客戶，才算合格。

目前，能夠做到這一步的只有兩個(gè)模型。一個(gè)是U1 Pro，另一個(gè)是GPT-Image-2；甚至在文字、設(shè)計(jì)感、東方細(xì)節(jié)上，U1 Pro還稍勝一籌。

原生統(tǒng)一架構(gòu)NEO-unify

為了夠到這個(gè)標(biāo)準(zhǔn)，U1 Pro采用的是一套自研的理解生成統(tǒng)一架構(gòu)——NEO-unify。

它砍掉了傳統(tǒng)多模態(tài)里VE（管理解）和VAE（管生成）這兩個(gè)獨(dú)立的編解碼組件，讓理解、生成、行動(dòng)共用同一套表征、同一套計(jì)算。整個(gè)模型，就是一套渾然一體的Transformer。

生成過程中，沒有專門的調(diào)度器指揮，模型所做的就是一路往下預(yù)測(cè)下一個(gè)token——寫著寫著，它自己判斷「該出圖了」，就切進(jìn)圖像token接著畫，畫完再切回文字。

文字和圖始終跑在同一條自回歸序列上，像說同一種「語言」，不靠外掛、不靠工具在中間對(duì)齊。

這么做的好處是，模型學(xué)得又快又省，十分之一的數(shù)據(jù)就能追平頂尖SOTA；而且結(jié)構(gòu)簡(jiǎn)單、天然好scale，訓(xùn)練和推理的成本也遠(yuǎn)低于谷歌和OpenAI。

采用NEO-unify架構(gòu)后，商湯在今年4月率先發(fā)布了SenseNova U1一個(gè)輕量級(jí)的開源模型，并且在5-7月升級(jí)多個(gè)基于U1的infographic-V1、V2和V3版本。

在多項(xiàng)信息圖生成基準(zhǔn)中，SenseNova U1展現(xiàn)出降維打擊般的實(shí)力：生成質(zhì)量全面領(lǐng)跑開源陣營，更在推理速度上實(shí)現(xiàn)了絕對(duì)的效率壓制。

圖文交錯(cuò)思維

對(duì)于普通生圖來說，或許可以一筆直出。但一張交付級(jí)的圖，得像設(shè)計(jì)師那樣反復(fù)推敲、邊看邊改。

這份「會(huì)思考」的本事，就來自「圖文交錯(cuò)思維」。

它不再一口氣把圖吐完，而是把創(chuàng)作拆成一套動(dòng)作空間：生成、編輯、局部重繪、組合。每往下走一步，都回看前面已經(jīng)落筆的部分，再?zèng)Q定下一筆怎么畫。

而調(diào)度這套動(dòng)作的本事，是訓(xùn)出來的。

冷啟動(dòng)階段，商湯先把設(shè)計(jì)師的專業(yè)判斷整理成「指令思維鏈」喂進(jìn)去打底，讓模型學(xué)會(huì)「先定版式、再鋪大色、最后摳細(xì)節(jié)」這樣的先后章法。

在此基礎(chǔ)上，再上強(qiáng)化學(xué)習(xí)，用一個(gè)幾十維度一起打分的獎(jiǎng)勵(lì)模型：構(gòu)圖、文字準(zhǔn)確度、設(shè)計(jì)美感、整體一致性各算一筆，每出一張圖就反饋「哪好、哪不好」。

一輪輪打磨下來，模型就自己長(zhǎng)出了「下一步該干什么」的判斷。

8K直出，算力卻沒爆

除此之外，交付級(jí)的圖是要拿去印、經(jīng)得起放大的。

尤其像開頭那張鋪滿整面墻的長(zhǎng)卷，分辨率不夠，湊近一看全糊了。所以U1 Pro把原生分辨率頂?shù)搅?K。

但問題是，分辨率一上去，視覺token和算力就會(huì)跟著暴漲。

由于Transformer的注意力開銷隨token數(shù)量的平方走，token翻一倍，算力就是四倍。一張8K的圖攤成token，足以把上下文直接撐爆。

面對(duì)這一問題，商湯的解法是用32×32的大patch（普通生圖模型是16×16）來覆蓋住更大的畫面，從而把token量直接砍到四分之一。

不過，patch一大，每個(gè)token要「管」的像素更多，細(xì)節(jié)就容易糊。偏偏交付級(jí)最較真的文字和紋理，全藏在細(xì)節(jié)里。

為此，他們又提出自適應(yīng)的分級(jí)噪聲控制，在細(xì)節(jié)吃緊的地方多注入噪聲、逼模型多花力氣去摳，把丟掉的控制力補(bǔ)了回來。

一來一回，不僅上下文沒爆炸，8K大圖也能穩(wěn)定直出了。

會(huì)生成≠能交付

時(shí)至今日，AI生圖的戰(zhàn)場(chǎng)終于從「誰畫得更好看」，走向了最硬核的「拼交付」。

這條路，Coding已經(jīng)提前替所有人趟明白了——

從嵌進(jìn)IDE的Copilot，到動(dòng)嘴寫需求的Vibe Coding，再到今天自己規(guī)劃、執(zhí)行、驗(yàn)證的Agentic Coding。

變強(qiáng)的從來不只是模型能力，更是能調(diào)用這種能力的人越來越多。從專業(yè)程序員，跨界到產(chǎn)品、設(shè)計(jì)，甚至覆蓋了每一個(gè)只要有想法的普通人。

在徐立看來，多模態(tài)內(nèi)容正在經(jīng)歷完全相同的演進(jìn)邏輯，只是它還卡在半路上。

這個(gè)瓶頸，就是「Reasoning Generation」。

從DALL·E、Midjourney到Nano Banana、GPT Image，AI第一次大規(guī)模解決了「生成美」。

你甚至能用大白話反復(fù)調(diào)它、改它。可一旦丟進(jìn)真實(shí)工作流，毛病立刻現(xiàn)形：局部改對(duì)了、整體崩了；專業(yè)內(nèi)容乍看沒問題、放大全是破綻；反復(fù)幾輪，紋理越改越臟。

最后吐出來的，還是一張沒法接著編輯、沒法直接用的半成品。

歸根結(jié)底，能生成，不等于能交付。可控，也不代表可交付。

圖像生成這十年，其實(shí)走過兩級(jí)臺(tái)階：先解決了「像」，又解決了「真」，細(xì)節(jié)越來越逼真。

而商湯想踩下的第三級(jí)臺(tái)階，是「美」，即通過專業(yè)級(jí)的設(shè)計(jì)美感，達(dá)到真正的工業(yè)交付標(biāo)準(zhǔn)。

這，正是U1 Pro想踩下去的那一腳。

就像代碼從Vibe Coding邁向Agentic Coding，創(chuàng)作也要從「Vibe Creation」邁向「Agentic Creation」。

不再是碰運(yùn)氣的氛圍感抽卡，而是模型自己不停反思、一步步把活干完。

從一張圖，到一個(gè)世界

但踩下這一腳，還不是U1 Pro的全部野心。

它底下那套「理解生成行動(dòng)」的統(tǒng)一架構(gòu)，本就是個(gè)通用底座，視覺創(chuàng)作只是這回「專注做到極致」的第一站。

往后，通用視覺感知、空間智能、具身大腦、城市規(guī)劃、建筑設(shè)計(jì)，都在射程里。

剛開源的SenseNova-Vision已經(jīng)露了苗頭。深度、遮擋、鏡面、近大遠(yuǎn)小，這些人類習(xí)以為常的視覺常識(shí)，模型開始真正「看懂」了。

對(duì)此，林達(dá)華激動(dòng)地表示，這是他第一次瞄到「視覺涌現(xiàn)」的影子。

再往前，就是他掛在嘴邊的那句Words to Worlds——讓視覺和語言真正在一個(gè)空間里長(zhǎng)到一起。

他相信，語言的「GPT時(shí)刻」2022年底就到了，視覺的那一刻還沒來，而NEO-Unify，就是想給它先搭好地基。

但回到當(dāng)下，U1 Pro想證明的事其實(shí)很樸素：把過去只有少數(shù)專業(yè)人士才握得住的能力，交到更多人手里。

一杯咖啡的時(shí)間，一張能直接拿去印的高清圖。

這一次，「好看」不再是終點(diǎn)，「能用」才是。