SenseNova-U1-8B-MoT-Infographic ：商汤科技开源的信息图增强模型

30 0 0

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

主要介绍

2026年5月底，商汤科技在开源SenseNova U1统一架构模型后，进一步发布了SenseNova-U1-8B-MoT-Infographic（信息图增强版）。这是一款专门针对信息图生成场景优化的8B参数开源模型，基于原生统一架构SenseNova-U1-8B-MoT，通过高质量专项数据训练与RL强化学习，在高密度文字渲染、版式稳定性、图表数据正确性三个核心维度上实现了显著突破。模型采用Apache 2.0协议完全开源，权重全开，支持商用，消费级GPU即可部署，社区已自发提供GGUF量化版本。在BizGenEval和IGenBench等信息图权威基准上，其表现超越了GPT-Image-1.5、Qwen-Image-2.0等闭源商业模型，被业界视为开源社区在信息图生成领域迈出的关键一步。 SenseNova-U1-8B-MoT-Infographic ：商汤科技开源的信息图增强模型

功能特点

高密度文字渲染：通过RL强化学习专项优化，脚注、表格注释、列表编号等小字场景清晰可读，解决了开源模型长期存在的”糊成一团”问题
版式稳定性增强：多模块信息图的对齐、留白、层级关系更加稳定，减少模块挤压变形和背景杂乱
图表数据正确性：柱状图柱高与数据一致、坐标轴刻度正确、百分比标注无误，箭头能准确指向对应数据点
学术论文页渲染：唯一支持arXiv风格学术论文页面生成的开源模型，单栏标题、双栏正文、脚注、页码、侧边水印均可精确排版
多场景覆盖：支持海报、流程图、对比表、明信片、菜谱、产品介绍、游戏卡牌、百科教程等100多种风格
连续性图文创作：业内首创单次调用即可输出图文交错的连贯内容，无需多模型串联

优缺点

优点：

8B参数规模达到开源信息图生成SOTA水平，IGenBench Q-ACC得分69.5，超过GPT-Image-1.5（55.0）和Qwen-Image-2.0（50.0）
小字渲染为开源模型中最强，RL专项奖励函数针对性解决了最棘手的高密度文字难题
版式与数据双稳定，减少信息图常见的数值幻觉与排版错乱
完全开源（Apache 2.0），支持商用，成本约为闭源方案的十分之一
消费级GPU可部署，GGUF量化后10-12GB显存即可运行
基于MoT架构解耦设计，信息图专项增强后视觉理解能力不退化（OneIG基准基本持平原版）

缺点：

总参数仅8B，通用推理能力与DeepSeek V4-Pro等旗舰模型仍有差距
输出价格8.1元/百万tokens，高于Qwen3.7-Max等部分竞品
官方基准数据尚未经独立第三方横向验证
长上下文（128K以上）场景速度明显衰减，从180-220 Tokens/s降至更低
与GPT-Image 2相比，视觉质感和逼真度稍逊，更偏概念化表达而非写实风格

如何使用

无需编写代码，可通过以下方式快速体验：

在线体验：访问商汤”办公小浣熊”（https://office.xiaohuanxiong.com/），点击【一图读懂】即可直接使用，无需配置
API调用：注册商汤开放平台（https://platform.stepfun.com），获取API Key后调用，兼容OpenAI协议，可直接用现有OpenAI SDK接入
本地部署：从Hugging Face或ModelScope下载GGUF量化权重，在10-12GB显存的消费级GPU上即可运行；推荐参数组合：–cfg_scale 4.0、–timestep_shift 3.0、–num_steps 50
Agent框架接入：在KiloCode、OpenClaw、Hermes Agent等框架中配置API端点，即可作为底层模型驱动信息图生成工作流

框架技术原理

模型基于商汤自研的NEO-unify原生统一架构，彻底摒弃了传统多模态模型必备的视觉编码器（VE）和变分自编码器（VAE），将像素与文字放入同一表征空间原生建模：

组件	设计
统一表征	输入端用两层卷积+GELU将图像转为token（每token对应32×32像素块），输出端用MLP直接预测原始像素块，消除模态转换损耗
原生MoT机制	底层共享自注意力上下文，但Q/K/V/O投影及MLP层根据token类型动态路由解耦——文本走自回归目标，视觉走像素流匹配目标，实现”知识共享、专才专用”
三维RoPE	T/H/W三轴各有独立频率基，从底层对齐语言顺序与空间结构
分辨率自适应噪声尺度	噪声标准差按分辨率平方根比例动态调整，确保不同尺度下SNR分布一致
四阶段渐进训练+专项RL	理解预热→生成预训练→统一中期训练→统一SFT，在MT阶段用高质量数据延长训练，RL阶段引入文字准确率与美学奖励函数

信息图增强版在此基础上，通过小字渲染RL奖励函数、版式稳定性数据集、图表数据一致性约束三条路径专项优化，同时MoT解耦设计保证视觉理解能力不退化。

创新点

开源模型首个信息图专项增强版本：不是通用生图模型的”顺便能画信息图”，而是从训练数据、奖励函数到评估指标全链路针对信息图场景重构
NEO-unify实现端到端像素-文字建模：Hugging Face开发者社区评价”实现了纯粹的端到端像素-文字建模”，从根源解决压缩带来的细节丢失
专项增强不牺牲通用能力：MoT参数解耦设计让生成分支优化不干扰理解分支，OneIG基准与原版基本持平
8B规模打赢闭源商业模型：IGenBench Q-ACC 69.5分，超过GPT-Image-1.5（55.0）和Qwen-Image-2.0（50.0），是同级别唯一做到这一点的开源模型
业内首创连续性图文创作输出：单次单模型调用即可输出图文交错的连贯内容，图像间风格高度一致

评估标准

基准	得分	对比原版提升	行业对比
BizGenEval Hard	46.6	+6.8（39.8→46.6）	开源第一，Z-Image等未超10分
BizGenEval Easy	65.4	+4.3（61.1→65.4）	开源领先
IGenBench Q-ACC	69.5	+18.2（51.3→69.5）	超过GPT-Image-1.5（55.0）、Qwen-Image-2.0（50.0）
IGenBench I-ACC	17.0	+12.8（4.2→17.0）	质的飞跃
OneIG（英文）	55.6	+1.1（54.5→55.6）	理解能力不退化
OneIG（中文）	53.3	-0.5（53.8→53.3）	理解能力不退化

评估维度覆盖布局、属性、文字、知识四个方面，信息图增强版在文字准确率和图表数据正确性上提升最为显著。

应用领域

营销与品牌传播：自动生成品牌海报、宣传长图，小字号法律声明与参数表格清晰可读，降低设计成本
学术研究与出版：生成arXiv风格论文页及数据对比表，解决公式错乱与脚注模糊问题
商业数据报告：制作财务图表与战略流程图，避免数值幻觉，为决策层提供准确可视化支撑
教育培训：生成课程知识图谱与教材插图，将抽象知识结构化呈现
生活服务：制作电子菜单、旅行明信片、菜谱步骤图，中文小字信息准确，满足印刷与线上传播需求

项目地址

资源	链接
Hugging Face	https://huggingface.co/sensenova/SenseNova-U1-8B-MoT-Infographic
GitHub	https://github.com/OpenSenseNova/SenseNova-U1
ModelScope（国内）	https://modelscope.cn/models/SenseNova/SenseNova-U1-8B-MoT-Infographic
GGUF量化版本	Hugging Face社区已自发提供
GitCode	https://ai.gitcode.com/SenseNova/SenseNova-U1-8B-MoT-Infographic
在线体验（办公小浣熊）	https://office.xiaohuanxiong.com/
技术报告	https://arxiv.org/abs/2605.12500
开源协议	Apache 2.0