Por Jin Lei, desde Shanghái
Qubit AI | Cuenta pública QbitAI
Acaba de surgir un nuevo modelo nacional en el mundo de la generación de imágenes—
¡No solo genera de forma nativa en 8K, sino que además es del tipo que hace sus propios bocetos, diseña y revisa tareas!
Mira, la siguiente imagen super, super, super larga en 8K es obra suya:
△Tamaño de imagen limitado. Imagen original de 51M, con letras claras al ampliar.
El tema de este largo pergamino es "WAIC Noveno Aniversario 2018—2026"; de izquierda a derecha, el tiempo se despliega secuencialmente, abarcando los puntos destacados de cada edición.
Quizás te preguntes, con una imagen tan grande, ¿se mantendrán los detalles?
Buena pregunta, examinemos más detenidamente "con una lupa":
Cada letra es clara, cada letra es clara.
Esto es el nuevo modelo lanzado recientemente por SenseTime en el WAIC 2026—Rìrìxīn SenseNova U1 Pro.
En resumen, U1 Pro es un sistema de entrega orientado a tareas multimodales complejas, que debe completar alrededor del objetivo la comprensión, planificación, organización de información, generación multimodal, revisión-corrección y entrega final. Su núcleo es la unificación nativa de comprensión, generación y acción.
Después de ver toda la presentación, podemos resumir los puntos destacados de U1 Pro en los siguientes tres:
Salida nativa 8K: el punto clave no es solo más píxeles, sino mantener la claridad del texto, la composición y los detalles dentro de formatos de imagen ultra grandes;
Pensamiento intercalado texto-imagen: el modelo puede completar de forma continua boceto, refinado, colorización, revisión y ajuste en torno a un objetivo;
Orientado a la entrega de productos terminados: los escenarios que SenseTime apunta incluyen infografías, planificación urbana, storyboards cinematográficos, carteles académicos y diseño comercial, esperando que el modelo requiera menos pruebas aleatorias y ofrezca más resultados realmente utilizables.
Si los modelos generativos anteriores competían por quién dibujaba más realista o generaba más rápido, U1 Pro parece llevar el problema un paso más allá:
¿Puede una imagen completar todo el proceso de trabajo por sí misma, reduciendo la necesidad de ajustes manuales?
Para comprobar el efecto real de U1 Pro, le planteamos cuatro preguntas más.
Generar "Los Veinticuatro Períodos Solares" en 8K
Primera prueba práctica, seguimos evaluando el formato ultra largo de U1 Pro.
Le pedimos que genere una imagen larga en 8K, desplegada horizontalmente, en torno a los Veinticuatro Períodos Solares.
Esta tarea realmente evalúa la capacidad de la IA para captar detalles: por ejemplo, los nombres y el orden de los 24 períodos no deben confundirse; cada período debe corresponder a fenómenos climáticos y colores estacionales apropiados; las 24 unidades verticales necesitan distinguirse entre sí manteniendo un estilo visual coherente; la transición de colores de primavera a invierno también debe ser natural.
Veamos la imagen generada por U1 Pro:
En términos generales, el modelo efectivamente colocó los 24 nodos dentro del mismo diseño horizontal.
No procesó el resultado como 24 fondos de pantalla del mismo tamaño y sin relación entre sí. La altura de las montañas y ríos, la posición de las plantas y los espacios en blanco varían en cada celda, dando a la imagen un ritmo similar a la combinación de biombo y pergamino.
Por lo tanto, U1 Pro es claramente un competidor capaz de generar imágenes ultra largas en 8K de forma estable.
Segunda prueba práctica, le pedimos que diseñe un cartel visual de laboratorio de alta gama, cuyo tema principal sea "Cómo observan y comprenden los humanos las máquinas".
El Prompt requiere que en el centro de la imagen aparezca una figura de espaldas a la cámara, ligeramente girada, con cuadros de detección, ejes de coordenadas, círculos geométricos, trayectorias de movimiento, seguimiento de la mirada, cuadrículas espaciales y nodos de datos superpuestos en la cabeza y la parte superior del cuerpo.
Veamos los detalles:
Lo que resulta sorprendente es que, generalmente, la mayoría de los modelos generativos al mencionar palabras clave como "tecnología" o "robots", probablemente elegirían tonalidades azules tecnológicas.
Pero U1 Pro evitó directamente esto. Las líneas doradas oscuras, el fondo negro y la textura granulada del papel forman una jerarquía visual relativamente completa. El punto focal central es claro, la cantidad de información es alta, pero la imagen no se descontrola por completo.
La tercera pregunta es una imagen de paisaje montañoso con arquitectura de estilo antiguo y textura de vidriado.
En los requisitos aparecen simultáneamente montañas verde azuladas, ríos azules, cascadas, pagodas, puertas de montaña, pabellones, puentes cubiertos, palacios, bosques de melocotoneros, pinos, nubes auspiciosas y un edificio futurista con lenguaje estructural oriental.
En cuanto a materiales, las montañas deben parecer cocidas conjuntamente con vidriado, jade y esmalte, con reflejos fluidos en la superficie, capas de esmalte y contornos dorados; el agua debe tener transparencia y reflejos; los edificios no deben convertirse en modelos 3D de baja calidad.
El resultado generado por U1 Pro es el siguiente:
Según la imagen generada final, el modelo logró organizar montañas de vidriado, sistemas acuáticos, arquitectura antigua y edificios futuristas en un mundo relativamente completo, mostrando su capacidad de ejecución frente a requisitos de estilo complejos.
Las primeras tres preguntas son todas de grandes escenarios, imágenes ultra largas y composiciones complejas. Por lo tanto, para la última tarea, probamos un cartel cinematográfico comercializable y listo para entregar.
El Prompt es el siguiente:
Diseña un cartel cinematográfico original, con una apariencia general de alta calidad final, lista para ser usada directamente en la promoción de un largometraje para su estreno. La atmósfera está entre la poesía oriental, la épica de suspense y el cine de arte moderno, con un fuerte impacto visual y estética avanzada.
En el resultado final, nuevamente, cada letra es clara, ¡y el efecto general da la sensación de que se puede usar comercialmente directamente!
Después de analizar las cuatro preguntas, los puntos fuertes de U1 Pro no están solo en el 8K.
Es más hábil organizando la escena en torno a un objetivo completo, integrando información, composición, personajes, materiales y estilo en una misma tarea.
Además, cosas como diagramas estructurales, imágenes comercializables, etc., U1 Pro puede manejarlas:
De generar una imagen, a revisarla por sí mismo
El punto en común de varias imágenes en las pruebas prácticas ya no es solo la calidad.
Tanto en la imagen larga de los Veinticuatro Períodos Solares como en los carteles complejos y los paisajes montañosos de vidriado, U1 Pro necesita recordar simultáneamente múltiples conjuntos de requisitos y procesar continuamente información, composición, estilo y detalles dentro de una misma imagen.
Esto también corresponde a un problema muy práctico en las herramientas actuales de generación de imágenes.
Hoy, muchos modelos ya pueden modificarse repetidamente mediante lenguaje natural, pero si la tarea es un poco compleja, los resultados aún tienden a descontrolarse. Corregir una parte local puede provocar cambios en otras áreas; la imagen puede parecer profesional, pero el texto y la estructura no resisten una revisión; después de varias rondas de modificaciones, las texturas, personajes y fondos también pueden desviarse gradualmente.
El CEO de SenseTime, Xu Li, resumió este problema en el escenario como:
Poder interactuar no equivale a poder entregar.
La dirección elegida por U1 Pro es extender una generación de imagen en un flujo de trabajo creativo continuo.
El "pensamiento" mencionado aquí no significa mostrar al usuario una larga cadena de razonamiento textual, sino que se acerca más a una creación continua donde se intercalan imágenes y texto.
Durante el intercambio entre Lin Dahua, cofundador y científico jefe de SenseTime, y Qubit, expresó:
SenseTime ya observó los inicios de la creación continua en la etapa U1. El modelo podía hacer bocetos primero, luego complementar detalles, colorear y generar gradualmente una imagen completa. El equipo también vio así que los modelos visuales tienen la oportunidad de acercarse a la forma de trabajar de los diseñadores, llevando la capacidad de generación de imágenes a los verdaderos procesos de producción del diseño de contenido.
Así, al llegar a U1 Pro, este flujo se amplió aún más, formando un ciclo cerrado:
Comprender el objetivo, planificar la tarea, organizar la información, generar contenido, revisar problemas, corregir continuamente y finalmente completar la entrega.
Tomando como ejemplo el largo pergamino del noveno aniversario de WAIC que mostramos al principio, el modelo primero debe digerir nueve años de datos, luego decidir cómo distribuir los eventos, cómo conectar los años, cómo organizar paisajes y ciudades, dónde colocar la información textual y, finalmente, mantener un estilo visual oriental unificado.
8K nativo, la dificultad va mucho más allá de unos pocos píxeles más
Aunque la generación nativa en 8K es una etiqueta muy llamativa de U1 Pro, la dificultad que conlleva el aumento significativo de la resolución también se multiplica.
Porque a mayor resolución, también aumenta la cantidad de Tokens visuales, lo que incrementa el cálculo de la Atención (Attention) y el uso de memoria de video.
Un esquema clave adoptado por SenseTime para esto es el uso de Parches (Patch) grandes de 32×32.
Como dijo Lin Dahua, los modelos generativos comunes pueden usar Parches de 16×16. Si un Parche corresponde a uno o un grupo de Tokens, al duplicar la longitud del lado, el número total de Tokens visuales puede reducirse a una cuarta parte.
Esto equivale a dividir una imagen en cuadrículas más grandes; al haber menos cuadrículas, la presión computacional disminuye; pero al mismo tiempo, las cuadrículas grandes también facilitan la pérdida de detalles.
Para resolver este problema, el equipo agregó un Control de Ruido adaptativo, utilizando estrategias de entrenamiento más específicas para áreas detalladas; se mantiene cierto solapamiento entre los Parches, optimizando simultáneamente el muestreo espacial, el diseño de la Función de Pérdida (Loss) y la estructura del modelo.
Estos métodos controlan conjuntamente el alcance del contexto, evitando el crecimiento explosivo que traería el 8K, al mismo tiempo que intentan preservar letras pequeñas, texturas y estructuras.
En resumen, U1 Pro amplía las cuadrículas, primero reduce la cantidad total, y luego, a través del solapamiento y un entrenamiento más refinado, recupera los detalles dentro de las cuadrículas grandes.
La generación de imágenes también está replicando el camino de la Codificación con IA
Desde la perspectiva de la industria, lo que merece más atención de U1 Pro es que corresponde a un cambio de paradigma de producto.
Para entender este cambio, podemos observar brevemente la Codificación con IA.
La Codificación con IA comenzó con Copilot, ayudando a desarrolladores profesionales a completar código; luego vino la Codificación por Voz/Intención (Vibe Coding), donde los usuarios expresaban necesidades en lenguaje natural; más adelante, los Agentes de Codificación empezaron a descomponer tareas, escribir código, invocar herramientas, probar y corregir, asumiendo proyectos completos.
El valor del modelo también pasó de "cuántas líneas de código escribió" a "si puede llevar a cabo el proyecto".
Y el contenido multimodal está experimentando un cambio similar:
La primera etapa es la generación puntual.
La segunda etapa está impulsada por la intención, permitiendo a los usuarios realizar modificaciones continuas.
La tercera etapa apunta hacia la entrega de contenido a nivel de sistema.
El modelo no solo genera una imagen, sino que también comprende el objetivo, organiza la información, mantiene la coherencia a largo plazo, revisa errores y entrega resultados utilizables.
La inspiración que la Codificación trajo a SenseTime es que, una vez que una tecnología supera la línea roja industrial y realmente produce cambios en la productividad, tiene la oportunidad de abrir un espacio comercial mayor.
SenseTime concluye así que el pensamiento intercalado texto-imagen y la unificación de comprensión y generación también podrían abrir la pista diferenciada del diseño visual.
Por supuesto, actualmente U1 Pro no puede considerarse perfecto.
Porque la generación asíncrona significa que los usuarios intercambian tiempo de espera por un mayor grado de finalización; las capacidades de edición, los costos y la estabilidad aún requieren la validación de proyectos reales; los escenarios de diseño profesional tampoco dependen solo de una imagen final, ya que las capas, elementos vectoriales, gestión de versiones y colaboración en equipo también son importantes.
Pero lo que es seguro es que la dirección se ha vuelto clara—
Cuando la generación de imágenes deja atrás las pruebas aleatorias repetitivas y comienza a responsabilizarse del resultado, la competencia de los Agentes multimodales realmente comienza.
Este artículo proviene de la cuenta pública de WeChat "Qubit AI" (ID: QbitAI), autor: Tecnologías de Vanguardia.
