商汤发布并开源SenseNova-Vision 把四大视觉任务统一进一个大模型

计算机视觉那条「一个任务对应一个模型」的老路，被商汤撕开了一道口子。7月13日，商汤宣布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，目标是把视觉变成通用基础模型的「原生能力」。

过去做视觉，是个苦差事。检测要一套模型，分割要另一套，测深度、做 3D 重建又各来一套，企业每上线一个能力就得养一个模型，彼此之间还不互通，维护成本和算力开销都居高不下。SenseNova-Vision 想解决的，正是这种「碎片化」。

过去行业的「统一视觉」，多半是把检测、分割、深度预测等多个专家模型打包封装，本质还是割裂的。SenseNova-Vision 的核心变革在于，让所有经典视觉任务——目标检测、图像分割、深度预测、3D 重建——都 原生融入 同一个大模型体系，统一表述为多模态生成问题。

这种「原生融入」带来双向增益。一方面，视觉领域几十年的高质量数据，直接反哺大模型底座的视觉理解能力；另一方面，大语言模型的推理能力反过来让视觉任务融会贯通，甚至能用语言直接定义一个新的视觉任务。

在评测上，SenseNova-Vision 以「单模型」在四大核心视觉领域大范围领跑：结构化视觉理解、稠密几何预测、分割能力、多视角 3D 几何，比肩甚至超越了各领域专用的「专家模型」。比如它能 零样本泛化、读懂未知游戏画面，也能在重叠鱼群中把每条鱼分割出来，还能看穿镜面反射、还原真实空间几何。

商汤在视觉 AI 领域连续十年位居中国市场份额第一，2025年还首登视频分析赛道全球第一。把这种行业领先的视觉能力，塞进统一多模态大模型体系，代表视觉 AI 从「执行工具」向「世界理解模型」的跨越。代码和权重已在 GitHub 的 OpenSenseNova 仓库开源。

对开发者来说，最直观的好处是省事：以前要集成五六个模型才能覆盖的检测、分割、深度、3D，现在一个接口就能调；对行业来说，这意味着视觉能力可以像「插件」一样，直接长进大模型里，而不是永远当外挂。