SenseNova-U1.5：不要视觉编码器、不要 VAE，一个模型既看图也画图

8B 原生统一模型：理解、推理、生成共用一套计算，最高支持 4K

3 分钟版

问题　把视觉理解和视觉生成连成两条独立管线，会损失信息、增加复杂度，也让「推理帮助生成、生成帮助推理」难以发生。

思路　沿用 NEO 的轻量原生视觉接口：两层卷积把图像下采样，每个 32×32 区域变成一个视觉 token，与文本投影到共享空间由统一骨干处理。生成分支做像素空间流匹配，并把分辨率相关的噪声尺度作为条件，参考分辨率扩展到 4096×4096。训练分五阶段：生成预训练、统一中期训练、统一监督微调、四个专家分别做强化学习、多专家在线蒸馏合并。

结果　GenEval 0.92，作者称在开源模型中最好；在长文本渲染（中英文）、信息图（IGenBench）、编辑（GEdit-Bench）等多项基准上取得开源领先或最强整体表现。理解能力与上一代基本持平：MMMU 73.86（U1 为 74.78）。

所以呢　统一模型的意义不只是架构简化，而是能力互相促进。作者承诺开源训练代码（SFT、RL 和在线蒸馏）。与最强闭源系统在信息图等任务上仍有差距。

关键数字

• 0.92 GenEval 总分（§5.2 · Table 6）
• 4096×4096 原生生成分辨率上限（§3.1）
• 32×32 每个视觉 token 覆盖的像素区域（§3.1）
• 73.86 MMMU 理解得分（§5.1 · Table 3）

局限与疑问

• 复杂信息图等任务与最强闭源系统仍有差距（作者自述）。
• 理解基准与上一代基本持平，部分落后于专注理解的模型。
• 成绩为作者自报，部分对比使用提示增强。
• 训练代码承诺开源，尚未在文中给出时间表。

arXiv 摘要页 · PDF