# 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

- Link: https://paooo.com/aigc-news/11547/
- Published: 2026-06-11T21:42:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 首个将自主[Agent](https://paooo.com/trends/)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。

阅读目录

 * [SenseNova-MARS是什么](https://paooo.com/aigc-news/11547/#sensenovamars%e6%98%af%e4%bb%80%e4%b9%88)
 * [SenseNova-MARS的主要功能](https://paooo.com/aigc-news/11547/#sensenovamars%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [SenseNova-MARS的技术原理](https://paooo.com/aigc-news/11547/#sensenovamars%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [SenseNova-MARS的项目地址](https://paooo.com/aigc-news/11547/#sensenovamars%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [SenseNova-MARS的应用场景](https://paooo.com/aigc-news/11547/#sensenovamars%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/11547/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![SenseNova-MARS](https://paooo.com/wp-content/uploads/2026/05/SenseNova-MARS-website-
1.avif)

## 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](https://paooo.com/ai-study/)
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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**HuggingFace ↗**

HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大
模型等实用方向。

❓ 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。

🔬 语宙深潜追问 · 进阶实操拆解

多模态检索怎么接入业务？

先把图像、文本、裁剪等动作封装成统一工具接口，再让模型负责规划与排序；关键是为每
一步加置信度和回退策略，避免一次性决策失误放大。

8B和32B该怎么选？

8B适合边缘部署、低成本试点和高并发检索，32B更适合复杂推理与高精度场景。实际选型要
看延迟预算、显存成本和是否需要多轮自主规划。

🗳️ 读者观点微投票 · 您的实战立场是？

开源多模态推理真能追平闭源顶级模型吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[⚡ 所属权威专题：OpenAI GPT 与 Sora 生态 →](https://paooo.com/topics/openai-gpt-sora/)

 * [商汤SenseNova U1发布：原生统一多模态大模型，一模型打通理解生成，性能比肩闭源模型](https://paooo.com/aigc-news/10762/)
 * [日日新SenseNova V6 – 商汤推出的多模态融合模型系列](https://paooo.com/aigc-news/20408/)
 * [美团5600亿参数推理模型LongCat-Flash-Thinking：开源MoE架构引领AI Agent新范式](https://paooo.com/aigc-news/13594/)
 * [Step3-VL-10B：阶跃星辰开源10B参数多模态模型，性能对标200B级巨模，端侧部署新标杆](https://paooo.com/aigc-news/11879/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/11547/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
