商汤开源U1：像素进、像素出，理解生成第一次合到一个网络里

📰 概要

图像理解和生成，长期是两条平行线。

理解用一套模型，生成用另一套，中间靠适配器拼。这是过去几年几乎所有AI图像产品的底层架构。现在这个模式被打破了。

2026年4月30日，商汤开源SenseNova-U1，提出NEO-unify架构——像素进、像素出，理解生成第一次统一在一个网络里。

8B参数小版本能复刻GPT-Image-2的拿手绝活。在开源模型图像能力评测中登顶榜首。2048×2048分辨率图生图，9秒出。

🔍 解读

为什么这事值得关注？

传统方法的核心问题在于"桥接损失"。理解模型用一套方式编码图像，生成模型用另一套方式解码图像，两者之间靠适配器连接——适配器越好，损失越小，但永远不可能归零。

U1的思路是：别做桥接了，把两个任务塞进同一个网络里。输入是像素，输出也是像素，中间没有转换层，信息不会在"过桥"时丢失。

这意味着：文字密集排版、图文交错、多图一致性——这些AI生图的老大难问题，本质上都是"桥接损失"在作祟。U1从架构上绕开了这个问题。

当然，8B参数是小型版本，性能上限还需要更大规模验证。但这个架构方向值得关注——如果它在大参数规模下依然有效，可能会影响未来多模态模型的设计思路。

💎 深挖

传统架构为什么卡住了

主流AI图像产品的架构基本是：Vision Encoder（视觉编码器）负责理解图片，Vision Decoder或VAE负责生成图片。两者之间靠Adapter（适配层）连接。

这个架构的问题：编码和解码用的是不同的表征空间。就像翻译——先把中文译成英文，再把英文译成中文，每次翻译都会丢一点信息。

适配层越好，丢得越少。但不可能归零。这就是为什么AI生图经常出现"文字乱码""主体变形""风格不一致"——根源都在适配层的翻译损失。

NEO-unify怎么做

NEO-unify的核心：让理解和生成共享同一个表征空间。简单说，就是输入像素直接进网络，输出像素直接从网络出来，中间没有"翻译"环节。

商汤在论文里用了"原生统一"这个词，意思是从一开始就设计成统一的，而不是事后拼接。

效果：模型能同时做图像理解和生成，两项任务在同一个表征空间里互相增强——理解任务学到的视觉特征会帮助生成，生成任务需要的细节感知也会反哺理解。

实战表现

量子位用U1跑了几组测试：

这些场景的共同点是：文字和图像必须高度协同，主体必须保持一致。传统架构在这些场景下经常"掉链子"，U1表现稳定。

什么情况不建议用

如果你需要的是超写实人像或精细产品图（目前开源模型的通病），U1的8B版本可能达不到商用水平。

如果你的场景需要的是单任务极致性能（比如只做图像理解），专用模型可能比统一模型更高效。

接下来看什么

商汤同时开源了38B MoE版本。如果MoE版本能在保持架构统一性的同时提升生成质量，U1的路线会更有说服力。

这个方向真正的价值不在于打败GPT-Image-2，而在于：多模态模型的设计思路，可能正在从"拼图"走向"一体化"。

不要孤军奋战啦！