商汤科技正式发布并全面开源”日日新SenseNova-Vision”理解生成统一视觉大模型，这是商汤日日新大模型体系的重要视觉能力升级。商汤表示，行业以往的”统一视觉”多是把检测、分割、深度预测等多个专家模型打包封装，本质仍是割裂的，而SenseNova-Vision的核心变革是让视觉成为通用基础模型的原生能力，彻底融入大模型体系。

image.png

单模型碾压四大领域

在多项评测中，SenseNova-Vision以”单模型”在四大核心视觉领域大范围领跑，比肩甚至超越各领域专用专家模型。在结构化视觉理解方面，目标检测、指代检测、OCR、关键点定位等任务全面领先同类通用模型，稠密小目标检测和长尾类别识别等复杂场景表现尤为突出。在稠密几何预测方面，深度估计和表面法向估计精度达到几何专用模型水准，室内外多场景均保持极高稳定性。

image.png

分割能力涵盖通用分割、推理分割、交互式分割等，得益于强大的多模态理解力，在推理分割与对话式分割表现上尤为惊艳。仅凭单模型即可高质量完成多视角点云重建与相机位姿估计，性能在通用视觉路线中处于领先位置。

全面超越Vision Banana，数据同步开源

横向对比来看，对比语义导向模型，SenseNova-Vision在检测、分割、深度等细节要求极高的视觉任务上实现全面领先。对比生成导向模型Vision Banana，则展现出全面的代际优势——在各项权威评测的绝大多数指标上均实现超越与领跑。Vision Banana仅能应对四大核心板块中的两类问题，而SenseNova-Vision却能同时覆盖结构化理解、稠密几何、全景分割、多视角3D等全任务。

在开源方面，商汤不仅开放了模型本身，还同步开源了包含 5000 万条样本的视觉指令语料库SenseNova-Vision Corpus-50M。未来，商汤将把SenseNova-Vision的核心技术全面融入日日新U系列大模型中。