Jin Lei, depuis Shanghai Quantum Bits | Compte public QbitAI
Un nouveau modèle domestique vient de faire son apparition dans le cercle de la génération d'images—
Non seulement il produit nativement en 8K, mais il est également capable de faire ses propres croquis, de concevoir et de vérifier ses devoirs !
Regardez, l'image super super super longue en 8K ci-dessous est son œuvre :
△La taille de cette image est limitée, l'originale fait 51 Mo, les caractères sont clairs après agrandissement.
Le thème de ce long rouleau est « WAIC Neuf Ans 2018—2026 » ; de gauche à droite, le temps se déploie successivement, couvrant les points forts de chaque édition.
Vous vous demandez peut-être : avec une image aussi grande, les détails sont-ils corrects ?
Bonne question, examinons-la de plus près « avec une loupe » :
Chaque caractère est clair, chaque caractère est net.
Ceci est le nouveau modèle que SenseTime vient de présenter lors du WAIC 2026 — SenseNova U1 Pro.
En bref, U1 Pro est un système de livraison pour des tâches multimodales complexes, dont l'objectif est de comprendre, planifier, organiser l'information, générer multimodalement, vérifier/corriger et finalement livrer, son noyau étant l'unification native de la compréhension, de la génération et de l'action.
Après avoir vu l'ensemble de la présentation, nous pouvons résumer les points forts d'U1 Pro en trois éléments :
Sortie native 8K : l'accent n'est pas seulement sur plus de pixels, mais aussi sur le maintien des caractères, de la composition et des détails dans des formats très larges ;
Pensée entrelacée texte-image : le modèle peut réaliser en continu, autour d'un objectif, des croquis, des affinages, des colorisations, des vérifications et des ajustements ;
Orientation livraison finale : les scénarios visés par SenseTime incluent les infographies, l'urbanisme, les storyboards cinématographiques, les affiches académiques et le design commercial, souhaitant que le modèle nécessite moins de tirages aléatoires répétés et fournisse davantage de résultats réellement utilisables.
Si les anciens modèles de génération d'images visaient à savoir qui dessinait le plus fidèlement ou produisait le plus rapidement, U1 Pro semble plutôt pousser la question un peu plus loin :
Une image peut-elle nécessiter moins de retouches humaines et accomplir elle-même l'ensemble du travail ?
Pour vérifier les performances réelles d'U1 Pro, nous lui avons soumis quatre exercices.
Générer une version 8K des « Vingt-quatre Termes Solaires »
Premier test pratique, continuons à éprouver le format ultra-long d'U1 Pro.
Nous lui demandons de générer une longue image horizontale en 8K sur le thème des Vingt-quatre Termes Solaires.
Cette tâche teste toujours la capacité de l'IA à saisir les détails : par exemple, les noms et l'ordre des 24 termes solaires ne doivent pas être mélangés ; chaque terme doit correspondre à une phénologie et une couleur saisonnière appropriées ; les 24 unités verticales doivent être distinctes tout en conservant un style visuel cohérent ; la transition des couleurs du printemps à l'hiver doit être naturelle.
Voyons l'image générée par U1 Pro :
Dans l'ensemble, le modèle a bien placé les 24 nœuds dans la même mise en page horizontale.
Il n'a pas traité le résultat comme 24 fonds d'écran de taille identique et sans rapport. La hauteur des montagnes et des rivières, la position des plantes et les espaces négatifs varient dans chaque case, créant ainsi un rythme qui combine paravent et rouleau long.
Ainsi, U1 Pro est déjà un candidat solide pour produire des images ultra-longues en 8K.
Deuxième test pratique, nous lui demandons de concevoir une affiche visuelle de laboratoire haut de gamme, dont le sujet principal s'intitule « Comment les machines observent et comprennent l'humain ».
Le prompt exige qu'au centre de l'image apparaisse une personne de dos à l'objectif, légèrement de profil, avec la tête et le torse superposés de boîtes de détection, d'axes de coordonnées, de cercles géométriques, de trajectoires de mouvement, de suivis du regard, de grilles spatiales et de nœuds de données.
Regardons les détails :
Ce qui est surprenant, c'est que la plupart des modèles de génération d'images, dès qu'on mentionne des mots-clés comme « technologie » ou « robot », opteraient probablement pour des tons de bleu technologique.
Mais U1 Pro a évité cela directement, les lignes dorées sombres, le fond noir et la granularité du papier forment une hiérarchie visuelle relativement complète. Le point focal central est clair, la quantité d'information est élevée, mais l'image n'est pas complètement chaotique.
La troisième question concerne une image de paysage avec architecture de style ancien aux textures de verre.
La demande incluait simultanément des montagnes vert-bleuté, des rivières bleues, des cascades, une pagode, une porte de montagne, des pavillons, des corridors-ponts, des palais, une forêt de pêchers, des pins, des nuages propices, ainsi qu'un bâtiment futuriste avec un langage structurel oriental.
En termes de matériaux, les montagnes doivent ressembler à de la verrerie, du jade et de l'émail cuits ensemble, avec des reflets mouvants, des strates de glaçure et des contours dorés ; la surface de l'eau doit avoir de la transparence et des reflets ; les bâtiments ne doivent pas devenir des modèles 3D bon marché.
Le résultat généré par U1 Pro est le suivant :
D'après l'image finale générée, le modèle est capable d'organiser les montagnes de verre, le réseau hydrographique, les anciens bâtiments et l'architecture futuriste en un monde relativement cohérent, démontrant ainsi sa capacité d'exécution face à des exigences stylistiques complexes.
Les trois premières questions impliquaient toutes de grands scénarios, des images ultra-longues et des mises en page complexes. Par conséquent, pour la dernière tâche, nous essayons quelque chose de directement livrable et commercialisable : une affiche de film.
Le prompt est le suivant :
Concevoir une affiche de film originale, d'un niveau d'achèvement élevé, directement utilisable pour la promotion d'une sortie en salles. L'ambiance se situe entre la poésie orientale, l'épopée suspensive et le film d'art moderne, avec un fort impact visuel et une esthétique raffinée.
Dans le résultat final, les caractères sont à nouveau parfaitement clairs, et l'effet global donne vraiment l'impression d'être prêt pour un usage commercial !
Après ces quatre tests, les points forts d'U1 Pro ne résident pas uniquement dans le 8K.
Il excelle davantage dans l'organisation d'une scène autour d'un objectif complet, en intégrant l'information, la mise en page, les personnages, les matériaux et le style dans une seule et même tâche.
De plus, comme les diagrammes structurels, les images commercialisables, etc., U1 Pro peut également les gérer :
D'une génération d'image à l'autovérification
Le point commun des images dans nos tests pratiques ne se limite plus à la qualité d'image.
Que ce soit la longue image des Vingt-quatre Termes Solaires, l'affiche complexe ou le paysage de verre, U1 Pro doit simultanément retenir plusieurs ensembles d'exigences et traiter en continu l'information, la composition, le style et les détails au sein d'une même image.
Cela correspond également à un problème très pratique dans les outils actuels de génération d'images.
De nombreux modèles permettent désormais des modifications itératives via le langage naturel, mais dès que la tâche se complexifie un peu, les résultats restent facilement incontrôlables. Corriger une zone locale peut entraîner des changements ailleurs ; une image peut paraître professionnelle, mais le texte et la structure ne résistent pas à un examen approfondi ; après plusieurs modifications, les textures, les personnages et l'arrière-plan peuvent aussi progressivement dériver.
Le PDG de SenseTime, Xu Li, a résumé ce problème sur scène :
Pouvoir interagir n'égale pas pouvoir livrer.
La direction choisie par U1 Pro est d'étirer un acte de génération en un processus créatif continu.
La « réflexion » évoquée ici n'est pas une longue chaîne de raisonnement textuel présentée à l'utilisateur, mais se rapproche davantage d'une création continue où l'image et le texte s'entrelacent.
Lors des échanges entre Lin Dahua, cofondateur et scientifique en chef de SenseTime, et Quantum Bits, il a déclaré :
Dès la phase U1, SenseTime a observé les prémices d'une création continue. Le modèle pouvait d'abord faire un croquis, puis ajouter des détails, coloriser, générant progressivement une image complète. L'équipe a ainsi constaté que les modèles visuels avaient la possibilité de se rapprocher du mode de travail des designers, faisant évoluer la capacité de génération d'images vers les véritables étapes de production du design de contenu.
Ainsi, avec U1 Pro, ce processus s'est étendu pour former une boucle fermée :
Comprendre l'objectif, planifier la tâche, organiser l'information, générer le contenu, vérifier les problèmes, corriger continuellement, et finalement livrer.
Prenons l'exemple du long rouleau des neuf ans du WAIC présenté au début : le modèle doit d'abord digérer neuf années de données, puis décider comment répartir les événements, comment relier les années, comment organiser paysages et villes, où placer l'information textuelle, tout en conservant un style visuel oriental cohérent.
8K natif, la difficulté va bien au-delà de quelques pixels supplémentaires
Bien que la sortie native 8K soit une caractéristique très visible d'U1 Pro cette fois, la difficulté associée à l'augmentation significative de la résolution augmente également de manière proportionnelle.
Car plus la résolution est élevée, plus le nombre de Tokens visuels augmente, entraînant une hausse des calculs d'Attention et de l'occupation de la mémoire GPU.
Une solution clé adoptée par SenseTime pour cela est l'utilisation de grands Patchs de 32×32.
Comme l'a expliqué Lin Dahua, les modèles de génération courants utilisent peut-être des Patchs de 16×16. Si un Patch correspond à un ou un groupe de Tokens, doubler la longueur du côté peut réduire le nombre total de Tokens visuels au quart.
Cela revient à diviser une image en de plus grandes cases. Moins de cases signifie une pression de calcul réduite ; mais en même temps, les grandes cases risquent davantage de perdre des détails.
Pour résoudre ce problème, l'équipe a ajouté un contrôle adaptatif du bruit (Noise Control), utilisant des stratégies d'entraînement plus ciblées pour les zones de détail ; les Patchs conservent un certain chevauchement, tout en optimisant l'échantillonnage spatial, la conception de la Loss et l'architecture du modèle.
Ces moyens contrôlent conjointement l'échelle du contexte, évitant une croissance explosive due au 8K, tout en préservant au maximum les petits caractères, les textures et les structures.
En résumé, U1 Pro agrandit les cases pour réduire d'abord la quantité totale, puis, grâce au chevauchement et à un entraînement plus fin, retrouve les détails à l'intérieur des grandes cases.
La génération d'images suit aussi la voie de l'AI Coding
D'un point de vue sectoriel, ce qui mérite davantage d'attention avec U1 Pro, c'est qu'il correspond à un changement de paradigme produit.
Pour comprendre ce changement, nous pouvons jeter un œil à l'AI Coding.
L'AI Coding a commencé avec Copilot, aidant les développeurs professionnels à compléter du code ; puis est venu le Vibe Coding, où l'utilisateur exprime ses besoins en langage naturel ; ensuite, les Coding Agents ont commencé à décomposer les tâches, écrire le code, appeler des outils, tester et corriger, assumant une ingénierie complète.
La valeur du modèle est passée de « combien de lignes de code écrites » à « peut-il réaliser le projet ».
Et le contenu multimodal est en train de subir une évolution similaire :
La première phase est la génération ponctuelle.
La deuxième phase est pilotée par l'intention, l'utilisateur peut modifier continuellement.
La troisième phase pointe vers une livraison de contenu au niveau système.
Le modèle ne génère pas seulement une image, il doit comprendre l'objectif, organiser l'information, maintenir une cohérence à long terme, vérifier les erreurs et livrer un résultat utilisable.
L'inspiration que le Coding a apportée à SenseTime est qu'une fois qu'une technologie franchit la ligne rouge industrielle, apportant un véritable changement de productivité, elle a la possibilité d'ouvrir un espace commercial plus large.
SenseTime en conclut que la pensée entrelacée texte-image et l'unification compréhension-génération pourraient également ouvrir la voie différenciée du design visuel.
Bien sûr, U1 Pro n'est pas encore parfait.
Car une génération asynchrone signifie que l'utilisateur échange du temps d'attente contre un plus haut degré d'achèvement ; les capacités d'édition, les coûts et la stabilité nécessitent encore une validation par des projets réels ; les scénarios de design professionnel ne dépendront pas uniquement d'une image finale, les calques, les éléments vectoriels, la gestion des versions et la collaboration d'équipe sont tout aussi importants.
Mais une chose est sûre, la direction devient claire—
Lorsque la génération d'images abandonne les tirages aléatoires répétés et commence à assumer la responsabilité du résultat, la compétition des Agents multimodaux commence vraiment.
Cet article provient du compte public WeChat « Quantum Bits » (ID : QbitAI), auteur : Suivi des technologies de pointe
