金磊 发自 凹非寺

量子位 | 公众号 QbitAI

刚刚，新出的一个生图模型，着实是有点东西在身上的：

国产的，4K直出的，开源的，轻量的，还是可以指哪儿改哪儿的。

例如下面这张信息密度超高的图片，就是它做出来的：

我们从结果可以看到，即便是把图片放大了来看 ，不论是文字、图片元素，都是细节拉满的状态。

再如这组充满艺术感的视觉大片，这个AI也是不在话下：

那这是何许AI是也？

它，便是商汤刚刚面向社区开源的SenseNova U1.5-Lite-Preview。

这是一个轻量级原生统一多模态模型的早期预览版本。它延续了商汤自研的NEO-Unify架构，把语言、视觉语义和像素生成放进同一套模型里，覆盖视觉理解、推理、生成与编辑。

不过有一说一，原生4K直出，还仅仅是它的亮点之一。

在仅有8B-MoT参数的轻量身形之下，U1.5-Lite-Preview做到了：

复杂Prompt能接住：支持长篇、多约束、层次化和结构化视觉指令；

文字和版式更能打：面向海报、信息图、品牌视觉等高信息密度内容；

生成后还能继续改：支持参考图、多图组合、局部文字编辑，以及红框、坐标和marker精准编辑。

毕竟在真实创作中，“会画图”只是第一步，真正决定它能不能进入创作流程的，还得看复杂任务和编辑能力。

那U1.5-Lite-Preview这个8B-MoT小模型创作起来有多方便？我们继续往下看~

能Hold住复杂创作和编辑才是重点

先来看一张信息密度相当的图片。

这张图的主题是银盐摄影。

画面正中央，是一台被拆解开的复古相机。镜头、快门、胶片仓、卷片轴、取景器等结构，被一层层摊开来讲清楚；一束橙色光线从镜头前方打进来，顺着成像路径一路穿过去，整张图的视觉中心也因此一下子立住了。

这种图最难的地方，其实并不在于“画一台相机”本身。真正难的是，模型得同时把时间线、知识模块、结构拆解、流程说明和视觉层级都组织进同一张图里，还得让人一眼看过去，知道哪里是主干、哪里是补充，哪里是说明，哪里是结论。

从最后出来的效果看，U1.5-Lite-Preview在这种高信息密度的信息图任务上，已经能把内容和版式一起接住了。黑白蚀刻风格很统一，主视觉够醒目，细节也足够丰富，整张图读起来并不乱，反而有种“越看越有东西”的感觉。

如果说上一张图考验的是“从零做一张复杂信息图”，那接下来这组，更像是在考模型有没有复刻一张图的逻辑，再重新输出的能力。

输入图的主题，是一张名为Modern Pop Culture Film & TV Milestone Journey的信息图。

它把几部流行影视作品串在一条弯曲的路径上，节点、卡片、插画和标题都带着比较统一的手绘水彩风格。整张图看上去像一张轻松、亲切的文化主题路线图。

而到了输出图，主题换成了The Journey of Postal Mail，也就是“邮政邮件的旅程”。

但你再仔细看，会发现它并没有推倒重来。

原来那条弯弯曲曲的路径还在，节点式的节奏也还在，左中右的版式关系也保留了下来。只不过，原先围绕电影和剧集展开的内容，被整体替换成了“投递、分拣、运输、派送”这四个环节。洗衣店、剧集卡片、电影海报式的小模块，被换成了邮筒、分拣中心、运输车、邮差上门这些更贴合新主题的元素。

换句话说，它领悟的并不只是简单的“画风”，更是一整套设计框架和组织方式。

在真正的内容生产中，从头做图只占一部分时间；更多时候，折磨人的其实是改稿。

比如下面这组博物馆文创的案例：

输入图和输出图，主题其实都是博物馆文创开发流程。

整张图的大框架没有变。左侧仍然是竖排标题，中间依旧是巨大的“MUSE”字样，右侧还是从“研究与挖掘”到“反馈与迭代”的六步流程，底部的价值模块和整体米色、浅棕色的调性，也都还在。

但它改动的，是画面里最核心的主视觉。这个案例挺像真实工作流里常见的改法。

文案不一定大改，结构也不一定重做，但客户会告诉你，主题方向变了，主视觉要换，气质要跟着调整，原来的信息框架尽量保留。这时候，难点已经不只是“生成一张图”，而是在同一套版式里，重新组织新的视觉主体。

从这个结果来看，U1.5-Lite-Preview已经开始具备这种能力了。它不是简单地把一件新文物塞进去，而是在保留原有流程信息图框架的前提下，把新的核心元素重新放进整张设计语言里。

我们再来看一个更刁钻的，把有设计感且复杂的“迎”字，改成“命”字：

最后的结果里，原有船体继续充当“命”字的最后一竖，周围浪花则重新组织出其余笔画。而新字依然像是从海面里自然生长出来的，没有变成一层生硬贴上去的平面字体。

除了在一张图上修修改改，U1.5-Lite-Preview还可以同时读取多张参考图。

比如下面这个韩式双拼炸鸡案例：

这次输入的图片有两张，一张参考图负责提供手绘食谱的版式和画风，另一张真实照片负责提供食物内容。

按照要求设计后，输出的图片是这样的：

U1.5-Lite-Preview把照片中的原味炸鸡、甜辣炸鸡和可乐，重新画进了米色网格笔记本里；左侧黑色螺旋装订、手写标题、卡通小猪，以及下方两行三列的烹饪步骤也一并补齐。

最后做出来的，已经是一张能够直接用于社交媒体传播的手绘食谱。真实照片与插画模板之间，没有出现明显的风格割裂。

类似的能力若是落到办公场景里，U1.5-Lite-Preview还可以把一张普通人物照片，直接变成一份单栏简历。

从结果来看，人物头像被放在顶部，原图里的三角梅继续作为封面主视觉。玫粉与米白配色顺着花丛延展开来，姓名、职位、联系方式、工作经历和技能条依次排开。

至于我们刚才提到的指哪改哪，红框和marker都能派上用场。

最简单的情况下，你可以圈出下面这张信息图里的“35+MIN”，让模型将它改成“25MIN”，同时保持原有字体、字号和排版，并在完成后把用于定位的红框一起移除。

对于复杂一点的要求，则甚至可以直接对画面氛围动手。

原图是一艘帆船驶过金色满月的暖色场景。我们只需要在图上留下marker和修改要求，U1.5-Lite-Preview便会把满月替换成深红色血月，在水面增加一层浓雾，再将天空、湖面与帆船的光线全部调整为暗调夜景。

虽然月亮、雾气和整体光影都变了，但帆船、船上人物与背景树林仍然留在原来的位置。

这一大一小两种修改，刚好对应了编辑场景中的两类需求。

前者追求精准，最好只动几个字符；后者需要模型重新处理色调、光线和空间关系，还得尽量守住画面里的主体。

看到这里，U1.5-Lite-Preview展现出的不只是会画图这么简单。

它已经开始理解一张图里的主体、版式、风格和空间关系，也开始知道用户想动哪里、哪些地方最好别碰。

怎么做到的？

这些看起来各不相同的能力，其实都顺着同一条技术路线长了出来。

SenseNova U系列采用的是NEO-Unify原生统一多模态架构，在同一个模型里，语言、视觉语义与像素生成被放在一起建模。

于是，从读懂指令、分析参考图，到判断该怎么改、最后生成像素，可以在同一套架构中完成。

这套设计放到图像编辑里尤其关键。

比如把“迎”改成“命”，模型先要理解文字造型是由船和浪花共同组成的，接着找到需要重构的区域，再判断飞鸟、海面和上下方文字应该留下。

血月案例也一样。月亮、雾气和光照需要整体变化，帆船与人物的主体结构则要尽量稳定。

一边动手，一边判断哪里不能乱动，这才有了持续编辑的基础。

为了把分辨率进一步推到4K，商汤还重新设计了生成头，减弱视觉Token网格对最终画面的影响，并把训练扩展到4K分辨率。

这样一来，画面放大以后，纹理、材质和光影更经得起看，常见的网格感、拼接痕迹与纹理断裂也会随之减少。

长Prompt的控制能力，则由Prompt Enhance进一步增强。

日常生图用一句自然语言就能开干。到了海报、信息图和品牌视觉这类复杂任务，用户可以把布局、风格、文字、比例和禁止项逐层写清楚，让模型尽可能同时接住。

所以，长Prompt在这里并不会刻意增加使用门槛，它提供的是更高的创作控制上限。

再从评测榜单角度来看，相较上一代U1，U1.5-Lite-Preview在Qwen-Image-Bench上的成绩从47.14提升至55.20，这里对应的是with Prompt Enhance条件。作为一个轻量级开源模型，表现相当优秀。

与此同时，ImgEdit-Bench从3.90升至4.37；GEdit-Bench英文项从7.47升至8.17，中文项也从7.42升至8.05。在技术宣发展示的WeEdit榜单中，U1.5-Lite-Preview的Overall Average则达到了6.44。

有点接近一套视觉工作台了

再回头看这次升级，4K确实亮眼，却很难独自撑起一套生产流程。

真实的视觉工作，往往从第一版出图之后才开始。

例如标题换一句、产品挪一下、人物得保留、整体光线再暗一点、客户临时又要补个元素……

过去我们遇到这些修改，要么重新生成碰运气，要么回到专业软件里继续处理。

但当模型能够理解眼前这张图，并顺着用户的反馈一轮轮往下改，AI生图才开始真正靠近内容生产和设计工作流。

而统一多模态架构的价值，也在这个过程中变得更容易感知。

视觉理解、推理、生成和编辑不再分别躺在技术说明里，它们最终落成了看懂参考图、保住人物、换掉标题、重排版式和局部修改这些具体动作。

当然，U1.5-Lite-Preview依然只是一个早期预览版本。短Prompt理解、小字与人像细节、整体美学一致性，以及复杂场景编辑的稳定程度，都还有继续提升的空间。

据了解，U1.5的正式版很快就会开源；届时，这些问题应当都会得到很好的解决。现在，商汤把轻量版面向社区开源，也意味着这些能力和问题，都将更早进入开发者与创作者的真实工作流里接受检验。

总而言之，若是说4K决定了一张图能放多大，那么AI的理解和编辑能力，则决定它能走多远。

开源地址：

GitHub：https://github.com/OpenSenseNova/SenseNova-U1/blob/main/docs/u1.5_preview.md

Hugging Face：https://huggingface.co/sensenova/SenseNova-U1.5-8B-MoT-Preview

魔搭社区：https://modelscope.cn/models/SenseNova/SenseNova-U1.5-8B-MoT-Preview