最近，我的女媧.skill 和 Huashu Design 似乎太出圈了。

前者已經分別被騰訊、智譜、Kimi 旗下的龍蝦產品作為默認 skill 之一，后者則是聽聞很多公司都在研究我那個 skill 的設計邏輯

于是呢，我也沒少在各個社交平臺再去宣傳介紹這些 skill 究竟是什么、工作原理如何。尤其是隨著圖像生成模型能力變強，我挺愛做類似下面這樣的信息圖來介紹我做的東西。

給你 5 秒鐘，猜一下這張圖是什么模型做的？

是 GPT-Image-2？

是 Nano Banana 2？

還是 Seedream 5？

答案揭曉——其實是商湯這周才開源的一個 8B 多模態模型：SenseNova U1。

我猜很多人對這個模型還相當陌生，所以呢，我們再讓它自己來介紹下自己

它叫 SenseNova U1，來自商湯

這個模型昨天剛開源，分兩個尺寸，一個是 8B 的 dense 版本，一個是 A3B 的 MoE 版本，協議是 Apache 2.0，inference code 全開。

它背后的架構叫NEO-Unify。我來嘗試簡單解釋下這個東西。一般主流的多模態模型處理任務的流程有點像請翻譯官幫忙：圖像先經過一個視覺編碼器（Visual Encoder）翻成 token 給模型理解，模型生成的 token 再經過 VAE 翻回像素。U1 把這兩個翻譯官都辭了，讓模型直接讀原始像素、直接輸出像素，自己學一套近乎無損的視覺表征。

商湯公布的官方分數也挺有意思。8B 這個體量，在圖像理解和圖像生成兩條評測線上都拿到了開源同量級的 SoTA，部分指標接近商業閉源大模型。

最值得關注的是「信息圖」這條專項。文字密度高、排版要求精準，這歷來是生圖模型的硬骨頭。U1 在這個維度上的得分跟 Qwen-Image 2.0、Seedream 4.5 這種大模型基本持平，但延遲顯著更低。

簡單說，同樣出一張 2K 信息圖，U1 大概只要十幾秒，對比 GPT-Image-2 這種閉源大模型的幾十秒，單位時間能多出好幾倍的產能。

為什么我會想試它

我對多模態生圖模型這個賽道的看法，說起來挺簡單。

一年前，文生圖模型要跑出穩定的中文表現有多難，大家應該都有體感。直到最近，能把這件事真正做對的也只有 OpenAI、Google、字節這少數幾家大公司，而且全是閉源大模型。

所以這周看到一個 8B 的開源小模型，敢把「信息圖」當主打能力來發布，我是有點意外的。意外到想自己上手試試。

讓我更感興趣的是另一件事。本地能跑的小模型一旦質量上來，它的隱私性、速度、幾乎零邊際成本，正好能覆蓋一些閉源 SaaS 難以觸達的場景。

回到我自己。我最在意的是它能不能按我的 prompt 穩定復現風格，比如剛才那張女媧 skill 的 Anthropic 編輯風；以及能不能用合理速度批量出圖，我的 agent workflow 里一次任務可能要 10-20 張圖，每張多等 30 秒，整個鏈路就拖死了。

至于本地部署、可微調這些，我自己暫時沒剛需。但我接觸過的不少行業（醫療、金融、法務）確實非常需要本地能力，他們的素材根本不能上傳到云。

這幾件事里，前兩件 GPT-Image-2 做得不錯，后兩件它做不到。這不是它的錯，閉源 SaaS 本來就不是干這個的。

而 U1 剛好坐在了那個空位上。它在跑分上肯定打不過 GPT-Image-2 的單張極致質量，但它能跑本地、能被改造、還能在十幾秒里出一張 2K 信息圖。這就夠了。

我讓它做了什么

理論說完，看東西。

文章開頭那張女媧 skill 的圖，是我讓 U1 做的第三張。我給它的 prompt 寫得很具體：「米白底 ，炭黑手繪線，赤陶橙 強調色，三段式 16:9 橫向布局，無 sci-fi 無暗模式……」也就是 Anthropic blog 的那種編輯插畫風。它第一次跑就接住了。

然后我又讓它做了一張更細顆粒度的「女媧三階段」工作流圖：

這種復雜版式 U1 處理得比我預期的穩定。

最近我在跟出版社合作，嘗試做新一批帶圖解示例的橙皮書，所以這陣子比較頻繁在測各種生圖模型。U1 跑下來，速度和穩定性都比我預想的好。

它真正不一樣的地方：圖文交錯

前面我讓 U1 做的都是單張信息圖。但它真正不一樣的能力，其實是「圖文交錯」：一次輸出里包含多張圖和段落正文的連貫混排。

商湯管這個能力叫「帶圖思考」。模型在推理過程中自動生成中間示意圖，把復雜邏輯可視化。這件事 GPT-Image-2、Nano Banana、Seedream 都做不到，它們都是「一次 prompt 出一張圖」的單點能力。

舉兩個官方公布的例子。

「幫我設計幾款適合的發型」：用戶上傳一張自己的照片，U1 不直接給圖，而是先做面部特征分析，然后生成多種不同的發型推薦圖，每張圖旁邊配一段為什么適合的解釋，最后給一組對比圖。

「設計一個建在海南萬寧懸崖邊的圖書館」：U1 自主構思并生成了四個不同視角的連貫建筑圖（外部全景、低角度仰視、高空俯瞰、室內框景），每個視角配一段精準的設計說明，相當于一次給你完整的建筑設計交付。

這種能力很難在閉源 SaaS 上穩定實現。你得自己寫一個 agent，讓 LLM 調多次生圖 API，再把圖和文拼起來。而且人物在多張圖之間未必一致。U1 把這件事壓到了單模型一次推理里。

我自己也跑了兩個測試。一個是給小朋友介紹怎么做飛機的4格漫畫《第一次坐飛機》

另一個算是我的真實場景，在嘗試給我新書《圖解 Agent Skills》做配圖。

讓我意外的幾件事：速度極快，基本是邊想邊出圖；人物和風格的一致性維持得很好；最關鍵的是——一個8B 的開源模型同時具備這種程度的思考能力和圖像生成能力，這件事老實說我之前沒怎么見過。

對我來講，最實用的場景是寫橙皮書：一章里經常需要「概念 → 概念圖 → 解釋段落 → 對比圖 → 總結」這樣的混排。以前要在 LLM 和生圖 API 之間來回切，現在 U1 一次就能出整頁。

它的真實邊界

當然，U1 也不是沒有短板。

我讓它換種風格，做一張「達爾文.skill」的循環結構圖。這次要的是技術藍圖風、深色背景、循環箭頭加 8 個評分維度環繞。它出來是這樣：

有幾件事值得說一下。

這張圖跟前面女媧那張的 Anthropic 編輯風完全是兩套體系。同一個模型能在不同風格之間切換，說明訓練語料的數據還挺豐富，這也意味著它更有機會執行不同需求的人物。很多模型有強烈的默認風格傾向，怎么都掰不出來。

文字渲染也挺讓我意外。這種環形排列還能基本不出錯，挺難得的。我之前用別的模型試過類似layout，文字常常錯位。

不過 U1 也確實有少量錯字。比如讓它寫 Karpathy 這個名字，它會寫成 Karpthy；讓它寫「蒸餾」的「餾」，常常寫成「漓」。這些都是 prompt 工程可以繞開的小問題，把 Karpathy 改成「卡帕西」、把「蒸餾」改成「提煉」就行。

但這些邊界相對都不致命。真正重要的是它讓我能用一個 8B 的開源模型，在本地跑出可以直接用的書籍級配圖。這件事兩個月前我都不敢想。

這個模型適合誰、適合什么場景

那 U1 真正適合誰用？我自己想了下，幾個最直接的場景：

自媒體和獨立創作者。每天要出文章配圖、信息圖、海報，U1 的速度讓「試 10 個版本選 1 個」變成可行的工作流，試錯成本接近零。

有數據敏感性的行業：醫療、金融、法務，或者做內部知識庫、內部培訓材料的團隊。本地部署最大的好處就是內部數據不上云，閉源 API 在這些場景下直接是 deal-breaker。

Agent 長鏈路場景。一個任務要生成 10-50 張圖（教程、報告、繪本、漫畫都可能），調 GPT-Image-2 走 API 不僅貴還慢，U1 跑本地幾乎零成本，就讓這種鏈路真的能跑通。

商湯自己也提了一嘴，下一步會把 U1 接入「辦公小浣熊」。這其實就是上面這些場景的產品化路徑。

怎么上手

想試的話，有幾個入口：

• 在線體驗：sensenova.sensetime.com（每天 5 小時、1500 次的免費配額）

• 開源代碼：github.com/OpenSenseNova/SenseNova-U1

• HuggingFace：huggingface.co/collections/sensenova/sensenova-u1

模型本身 8B，對硬件要求其實不算高。性能稍好一些的本地機器都能跑得動，不需要專業卡。官方文檔里說支持 vLLM 和 sglang，已經在用這些工具的同學應該能很快跑起來。

最近一年，多模態模型的發布我看了不下三十輪，每一輪都在說自己是 SoTA、是顛覆、是革命。U1 這次沒說那么多大詞，但它把 Visual Encoder 和 VAE 都砍了。這種敢于重新畫路線的事，在已開源的多模態模型里其實不常見。

它現在還有邊界，錯字會有，復雜圖表也不絕對穩定。但它給我的體感是：有些場景，確實從這周開始變得不一樣了。以及我們完全可以期待他下一階段的快速進化。

至少，我下一本橙皮書的配圖，可能不再需要走 API 了。