---
title: "商汤SenseNova-MARS开源：首个多模态自主推理模型，性能超越GPT-5.2与Gemini-3-Pro"
url: "https://paooo.com/aigc-news/11547/"
author: "Prompt 语宙研究院"
published_at: "2026-06-11T21:42:22+08:00"
updated_at: "2026-06-07T20:06:44+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "Agentic VLM, 商汤科技, 多模态模型, 大模型开源, 自主推理"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 商汤SenseNova-MARS开源：首个多模态自主推理模型，性能超越GPT-5.2与Gemini-3-Pro

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/11547/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-11

## AI 30 秒核心看点 (TL;DR)

- 首个将自主Agent能力与多模态深度推理结合的开源模型，支持动态视觉推理与图文搜索融合。
- 32B版本在七大基准平均69.74分，超过Gemini-3-Pro与GPT-5.2，开源阵营达到SOTA。
- 双阶段训练+BN-GSPO强化学习，解决多工具协同训练不稳定问题，适合复杂多跳任务。

> 
                **💡 站外导读：**在AI技术竞赛白热化的今天，多模态模型已从简单的图文理解进化到需要复杂推理与执行的“智能体”阶段。然而，现有模型在面对需要多步骤、多工具协作的真实任务时，往往缺乏自主规划和动态调用能力，成为制约AI从“实验室Demo”走向“生产力工具”的关键瓶颈。商汤科技开源的SenseNova-MARS，正是为解决这一痛点而生，它首次将自主Agent能力与多模态深度推理相结合，标志着多模态AI进入“执行智能”新纪元。

            

             
                        

## SenseNova-MARS是什么

SenseNova-MARS是商汤科技开源的多模态自主推理模型，提供8B和32B两种参数规模。作为首个支持动态视觉推理与图文搜索深度融合的Agentic VLM，模型能像智能体一样自主规划任务步骤，灵活调用图像裁剪、文本搜索、图像搜索三大工具，无需人工干预可完成复杂的多跳推理。模型在MMSearch、HR-MMSearch、FVQA等七大基准测试中，SenseNova-MARS-32B以69.74分的平均成绩超越[Gemini-3-Pro](https://ai-bot.cn/gemini-3/)（69.06分）和GPT-5.2（67.64分），在开源模型中达到SOTA水平，标志着AI从”能回答”向”能执行”的重要跨越。

## SenseNova-MARS的主要功能

- 
**多模态搜索推理**：模型融合图像与文本进行跨模态信息检索，支持动态调用工具完成复杂知识推理。

- 
**细粒度视觉分析**：支持处理4K/8K超高清图像，能精准裁剪、识别占比不足5%的微小视觉细节。

- 
**自主Agent执行**：模型能自主规划任务步骤，无缝协作多工具形成闭环，无需人工干预解决复杂问题。

## SenseNova-MARS的技术原理

- **双阶段训练架构**：第一阶段通过约3,000个高质量多轮交互轨迹进行冷启动监督微调，使模型掌握基础工具使用模式；第二阶段用BN-GSPO强化学习算法，通过组内与批次双重归一化稳定训练过程，优化多工具协同调用与推理决策能力。

- **BN-GSPO强化学习算法**：针对多工具场景中轨迹长度与奖励尺度差异导致的训练不稳定问题，算法先对同组样本进行组归一化消除内部偏差，再对整个批次进行归一化平衡不同任务的学习信号，实现稳定高效的多工具策略优化。

- **动作空间与工具设计**：模型每轮可在文本搜索、图像搜索、图像裁剪及终止回答四个动作中选择，图像裁剪通过归一化边界框坐标实现精准局部放大，所有工具调用均遵循严格的JSON格式规范确保交互一致性。

- **奖励模型机制**：模型采用[GPT-4o](https://ai-bot.cn/openai-gpt-4o/)作为评判器，从答案准确性与格式合规性两个维度提供稀疏奖励，准确性奖励衡量最终答案与 ground truth 的语义匹配度，格式奖励能确保每轮输出包含合规的思考过程与工具调用结构。

- **自动化数据合成**：基于多模智能体构建数据引擎，通过细粒度视觉锚点定位、多跳深度关联检索及闭环自洽性校验三个环节，自动挖掘跨网页实体逻辑并构建高复杂度推理链路，同时过滤幻觉数据保证训练数据质量。

## SenseNova-MARS的项目地址

- **GitHub仓库**：https://github.com/OpenSenseNova/SenseNova-MARS

- **HuggingFace模型库**：

https://huggingface.co/sensenova/SenseNova-MARS-32B

- https://huggingface.co/sensenova/SenseNova-MARS-8B

- **arXiv技术论文**：https://arxiv.org/pdf/2512.24330

## SenseNova-MARS的应用场景

- 
**体育竞技分析**：模型能识别赛车服微小logo并查询相关企业及车手背景信息，自动计算时间差值辅助赛事数据核实。

- 
**商业情报挖掘**：从峰会照片中识别企业标志，快速搜集产品参数与融资信息，辅助分析行业竞争格局。

- 
**新闻事实核查**：针对高分辨率新闻图片追溯事件背景与人物身份，验证社交媒体流传信息的真实性。

- 
**学术研究与教育**：自动分析论文图表数据并检索相关研究背景，加速文献综述与知识整合过程。

- 
**地理旅行探索**：识别地标路牌等细节并实时检索历史文化信息，提供沉浸式智能导览体验。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                SenseNova-MARS的发布，不仅是一次技术基准的刷新，更揭示了多模态大模型发展的关键范式转移：从“被动应答”到“主动执行”。它通过创新的BN-GSPO强化学习算法与双阶段训练架构，解决了多工具场景下训练不稳定的核心难题，让模型像人类专家一样规划、搜索、裁剪、推理，形成闭环。这背后是商汤对“Agentic VLM”路径的深刻押注——未来的AI竞争，将不再是单一模型参数的比拼，而是谁能构建更稳定、更高效的“自主推理引擎”。结合其完整的开源生态（模型、代码、论文），SenseNova-MARS正以“基础设施”姿态，为开发者提供了一把解锁复杂场景应用的钥匙，其影响将远超学术榜单，直接催化商业情报、科研自动化等领域的生产力革命。

## 常见问题解答 (FAQ)

### SenseNova-MARS是什么模型？
SenseNova-MARS是商汤科技开源的多模态自主推理模型，提供8B和32B两种规模。它能像智能体一样自主规划步骤，调用文本搜索、图像搜索和图像裁剪工具完成复杂多跳推理。

### SenseNova-MARS为什么被称为Agentic VLM？
因为它不仅能理解图文，还能自主决定何时搜索、裁剪或终止回答，形成“规划—执行—推理”的闭环。文章指出它首次把自主Agent能力与多模态深度推理结合起来。

### SenseNova-MARS适合哪些应用场景？
适合体育分析、商业情报、新闻事实核查、学术研究和地理导览等场景。尤其适合需要高分辨率图像细节识别、多工具协作和多跳信息检索的复杂任务。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
