SenseNova-U1.5: Towards Native Unified Visual Intelligence
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告阐述encoder-free与VAE-free原生统一架构、空间联合解码、分阶段训练与多专家强化学习及on-policy蒸馏，并给出多基准评测与训练代码开源计划。
关键要点
- SenseNova-U1.5为8B-MoT原生统一多模态模型，在无视觉encoder与VAE下承担理解、推理与视觉内容生成。
- 相对独立patch预测，采用空间联合重建：token映射到二维特征场，经卷积与Pixel Shuffle逐步重建图像。
- 后训练先为美学、双语文字渲染、信息图生成与图像编辑训练专用RL专家，再以多专家on-policy蒸馏合并能力。
- 每32×32图像区域对应一个视觉token，分辨率相关噪声尺度参考上限扩展至4096×4096。
- GenEval整体得分为0.92，正文称在所列开源模型中该指标表现最佳。
- 将开源训练代码，涵盖监督微调、强化学习与on-policy蒸馏。