Цзинь Лэй из Шанхая QbitAI | Публичный аккаунт QbitAI
Только что на сцену вышел новая отечественная модель в сфере генерации изображений —
Она не только выдает нативные 8K изображения, но и умеет сама делать наброски, заниматься дизайном и проверять задания!
Взгляните, вот эту супер-супер-супер-длинную 8K картинку создала именно она:
△Размер изображения ограничен, оригинал 51 Мб, текст четкий при увеличении
Тема этого длинного свитка — «9 лет WAIC 2018–2026»; слева направо разворачивается время, и в него вошли ключевые моменты каждого форума.
Возможно, у вас возникнет вопрос: детали на такой большой картинке будут в порядке?
Хороший вопрос, давайте внимательно изучим её «под лупой»:
Каждый иероглиф четкий, каждый иероглиф четкий.
Это и есть новая модель, только что представленная SenseTime на WAIC 2026 — SenseNova U1 Pro.
Проще говоря, U1 Pro — это система доставки, ориентированная на сложные многомодальные задачи. Она должна выполнять понимание, планирование, организацию информации, многомодальную генерацию, проверку, корректировку и финальную поставку вокруг цели. Её ядро — изначальное единство понимания, генерации и действия.
После полного ознакомления с презентацией, ключевые особенности U1 Pro можно свести к следующим трем пунктам:
Нативный вывод 8K: Важно не только больше пикселей, но и поддержание четкости текста, композиции и деталей на огромном холсте;
Переплетенное текст-изображение мышление: Модель может последовательно выполнять наброски, детализацию, раскрашивание, проверку и корректировку для достижения цели;
Ориентация на конечную поставку: SenseTime нацеливается на сценарии, включая инфографику, городское планирование, кинематографические раскадровки, академические плакаты и коммерческий дизайн, надеясь, что модель будет меньше полагаться на случайность, а давать больше результатов, которые можно реально использовать.
Если предыдущие модели для генерации изображений соревновались в том, кто нарисует реалистичнее или быстрее, то U1 Pro, похоже, продвигает вопрос на шаг вперед:
Может ли одна картинка сделать всю работу с меньшим вмешательством человека, который обычно «разгребает последствия»?
Чтобы проверить реальные возможности U1 Pro, мы дали ей еще четыре задачи.
Генерация 8K версии «Двадцати четырех сезонов (солнечных периодов)»
Первое практическое испытание — продолжить проверять сверхдлинный холст U1 Pro.
Мы попросили ее сгенерировать горизонтальную 8K длинную картинку на тему Двадцати четырех сезонов (солнечных периодов).
Эта задача по-прежнему проверяет способность ИИ улавливать детали: например, названия и порядок 24 сезонов не должны быть перепутаны; каждый сезон должен соответствовать подходящим природным явлениям и сезонным цветам; 24 вертикальных блока должны отличаться друг от друга, сохраняя при этом единый визуальный стиль; переход цветов от весны к зиме также должен быть естественным.
Посмотрим на сгенерированное U1 Pro изображение:
В целом, модель действительно поместила 24 узла в одну и ту же горизонтальную компоновку.
Она не обработала результат как 24 одинаковых по размеру, не связанных между собой обоев. Высота гор, расположение растений и свободное пространство в каждой ячейке меняются, благодаря чему картина приобретает ритм, сочетающий в себе ширму и длинный свиток.
Таким образом, U1 Pro уже уверенно способна выводить сверхдлинные 8K изображения.
Во втором практическом испытании мы попросили ее разработать визуальный плакат для продвинутой лаборатории, основная тема которого — «Как машины наблюдают и понимают человека».
Промпт требовал, чтобы в центре кадра появилась фигура человека, стоящего спиной к камере, слегка повернутая в бок, с наложенными на голову и верхнюю часть тела рамками обнаружения, осями координат, геометрическими окружностями, траекториями движения, отслеживанием взгляда, пространственной сеткой и узлами данных.
Взглянем на детали:
Неожиданно то, что большинство моделей генерации изображений при упоминании ключевых слов «технологии», «роботы» и т.д., скорее всего, выберут технологичные синие тона.
Но U1 Pro полностью избежала этого: темно-золотые линии, черный фон и зернистость бумаги создают относительно законченную визуальную иерархию. Центральный фокус четкий, информационная насыщенность высока, но изображение при этом не вышло из-под контроля.
Третья задача — картина гор и рек в старинном стиле с текстурой стекла.
В требовании одновременно присутствуют зеленые горы, голубые реки, водопады, пагоды, горные ворота, беседки, крытые мосты, дворцы, персиковые рощи, сосны, благоприятные облака и одно футуристическое здание с восточной структурной языковой стилистикой.
Что касается материала, горы должны быть как будто изготовлены из стекла, нефрита и перегородчатой эмали, с текущими бликами, слоями глазури и золотым контуром; вода должна обладать прозрачностью и отражениями; здания не должны превращаться в дешевые 3D-модели.
Результат, сгенерированный U1 Pro, следующий:
Судя по финальному изображению, модель способна организовать стеклянные горы, водную систему, старинные постройки и футуристическое здание в относительно целостный мир, что уже демонстрирует ее способность выполнять сложные стилистические требования.
Первые три задачи были связаны с большими сценами, сверхдлинными изображениями и сложной версткой, поэтому в последнем задании мы попробуем киноафишу, готовую к коммерческому использованию.
Промпт следующий:
Разработать оригинальную киноафишу в целом с высокой степенью завершенности, готовую для непосредственного использования в рекламе выпуска фильма, атмосфера находится между восточной поэтичностью, эпическим триллером и современным арт0хаусом, обладает сильным визуальным воздействием и продвинутым эстетическим вкусом.
В конечном результате снова каждый иероглиф четкий, и общий эффект производит впечатление, что его можно сразу использовать в коммерческих целях!
Рассмотрев четыре задачи, становится ясно, что сильные стороны U1 Pro не ограничиваются только 8K.
Она больше преуспевает в организации изображения вокруг законченной цели, помещая информацию, макет, персонажей, материалы и стиль в одну задачу.
Кроме того, U1 Pro справляется с такими вещами, как структурные схемы, изображения для коммерческого использования и т.д.:
От однократной генерации изображения к самостоятельной проверке
Общая черта нескольких изображений в практических испытаниях выходит за рамки качества изображения.
Будь то длинная картина «24 сезона», сложный плакат или стеклянные горы и реки, U1 Pro должна одновременно запоминать несколько наборов требований и непрерывно обрабатывать информацию, композицию, стиль и детали в рамках одного изображения.
Это также соответствует очень практической проблеме в современных инструментах генерации изображений.
Хотя многие модели уже позволяют вносить коррективы с помощью естественного языка, при небольшом усложнении задачи результат все еще легко выходит из-под контроля. Исправление одной локальной области приводит к изменениям в других; изображение выглядит профессионально, но текст и структура не выдерживают проверки; после нескольких правок текстуры, персонажи и фон также могут постепенно «уплывать».
Генеральный директор SenseTime Сюй Ли на мероприятии резюмировал эту проблему так:
Возможность взаимодействия не равна возможности поставки.
U1 Pro выбрала направление, растягивающее однократную генерацию изображения в непрерывный творческий процесс.
Под «размышлением» здесь подразумевается не демонстрация пользователю длинной цепочки текстовых рассуждений, а скорее непрерывное творчество, в котором переплетаются изображения и текст.
В процессе общения с QbitAI, соучредитель SenseTime и главный ученый Линь Дахуа отметил:
На этапе U1 в SenseTime уже наблюдались зачатки непрерывного творчества. Модель могла сначала сделать набросок, затем добавить детали, раскрасить, постепенно создавая законченное изображение. Команда также увидела, что визуальные модели имеют шанс приблизиться к рабочему процессу дизайнера, продвигая способности генерации изображений к реальному производственному процессу контент-дизайна.
Таким образом, на U1 Pro этот процесс был расширен до замкнутого цикла:
Понимание цели, планирование задачи, организация информации, генерация контента, проверка проблем, непрерывная коррекция и, наконец, завершение поставки.
Возьмем в качестве примера длинный свиток к 9-летию WAIC, показанный в начале: модели сначала нужно переварить материалы за девять лет, затем решить, как распределить события, как соединить годы, как организовать горы, реки и города, где разместить текстовую информацию, и в конце сохранить единый восточный визуальный стиль.
Нативный 8K: сложность далеко не в нескольких пикселях
Хотя вывод нативных 8K — очень яркий ярлык U1 Pro, трудности, возникающие из-за значительного повышения разрешения, также умножаются.
Потому что чем выше разрешение, тем больше количество визуальных токенов, соответственно увеличиваются вычислительные затраты Attention и потребление видеопамяти.
В связи с этим одним из ключевых решений, принятых SenseTime, является использование больших патчей размером 32×32.
Как сказал Линь Дахуа, распространенные модели генерации изображений могут использовать патчи 16×16. Если патч соответствует одному или группе токенов, то при увеличении стороны в два раза общее количество визуальных токенов может сократиться до одной четверти от исходного.
Это эквивалентно разделению изображения на более крупные клетки; клеток меньше — вычислительная нагрузка снижается; но в то же время в больших клетках легче потерять детали.
Чтобы решить эту проблему, команда добавила адаптивный Noise Control, используя более целенаправленные стратегии обучения для областей с деталями; между патчами сохраняется определенное перекрытие, одновременно оптимизируя пространственную выборку, дизайн функции потерь и структуру модели.
Эти методы совместно контролируют масштаб контекста, предотвращая экспоненциальный рост из-за 8K, и при этом стараются сохранить мелкий текст, текстуры и структуры.
Подводя итог, U1 Pro увеличивает размер клеток, сначала сокращая общее количество, а затем, за счет перекрытия и более тонкого обучения, возвращая детали внутри больших клеток.
Генерация изображений также повторяет путь AI Coding
С точки зрения отрасли, более заслуживающая внимания особенность U1 Pro — это соответствие смене продуктовой парадигмы.
Чтобы понять это изменение, мы можем взглянуть на AI Coding.
AI Coding начинался с Copilot, помогающего профессиональным разработчикам дополнять код; затем появился Vibe Coding, где пользователи выражали потребности на естественном языке; далее Coding Agent начали декомпозировать задачи, писать код, использовать инструменты, тестировать и исправлять, беря на себя полный цикл разработки.
Ценность модели также сместилась с «сколько строк кода написано» на «может ли завершить проект».
И в сфере многомодального контента происходят похожие изменения:
Первый этап — точечная генерация.
Второй этап — управление намерением, пользователь может непрерывно вносить изменения.
Третий этап указывает на системную поставку контента.
Модель не просто генерирует одну картинку, но и понимает цель, организует информацию, поддерживает долгосрочную согласованность, проверяет ошибки и поставляет результаты, готовые к использованию.
Прозрение, которое Coding дал SenseTime, заключается в том, что как только технология преодолевает промышленный порог и действительно приносит изменения в производительности, она имеет возможность открыть большее коммерческое пространство.
Исходя из этого, SenseTime считает, что переплетенное текст-изображение мышление и единство понимания-генерации также могут открыть дифференцированную нишу визуального дизайна.
Конечно, U1 Pro пока нельзя назвать совершенной.
Потому что асинхронная генерация означает, что пользователю приходится обменивать время ожидания на более высокую степень завершенности; возможности редактирования, стоимость и стабильность все еще требуют проверки реальными проектами; профессиональные сценарии дизайна также не будут полагаться только на одно финальное изображение, важны также слои, векторные элементы, управление версиями и совместная работа команды.
Но можно с уверенностью сказать, что направление уже стало ясным —
Когда генерация изображений прощается с постоянным «случайным вытягиванием карт» и начинает нести ответственность за результат, конкуренция многомодальных агентов по-настоящему начинается.
Эта статья из публичного аккаунта WeChat «QbitAI» (ID: QbitAI), автор: Фокус на передовых технологиях
