刚刚,中国AI首次赢了!一张8K东方长卷惊艳全场

新智元报道  

直出8K长卷，中国AI还是首次！

就在今天，WAIC大会上，商汤正式发布下一代「满血旗舰」——日日新SenseNova-U1 Pro。

这是业界头一回，把「看懂、生成、动手」原生做进了同一个多模态基座的底层。

现场，商汤科技董事长兼CEO徐立揭晓了一幅为WAIC九周年特制的「东方城市长卷」——《智会世图》。

8K超清巨制，受限于上传规格，画质有所压缩

从2018到2026，满城人物、山水楼阁、市井百态，尽数收进这一卷里——看到它，很难不想起《清明上河图》。

而这么大一幅、铺满整面迎宾墙的画，竟然是U1 Pro直出的。

但一张全景图，还装不下它的全部本事。

东方长卷 · 盛唐长安西市

这张图的细节堪称恐怖。在21:9的超宽画幅下，盛唐的烟火气扑面而来。

画面中足足塞进了五十多号人物，最绝的是完全没有AI常见的「复制粘贴」敷衍感。

放大来看，骑马的官员、乐师弹琵琶、卖香料的胡商、追灯笼的孩童，每一个角色的神态、动作和服饰制式都精准独立。

朱红、赭石、深蓝、琥珀金四色铺开，灯笼暖光撞上夜色冷调，全在一次生成里落定。

电影海报 · 雨夜来信

一张民国上海的悬疑电影海报。

雨夜的街头，玻璃倒影里藏着三个人物——

AI画面没有简单粗暴地将侦探、神秘男和送信人「贴」在背景里，而是严格遵循了真实的物理空间关系。

通过老式邮局玻璃、雨水与薄雾的多层折射，将这三位叙事人物精妙地隐藏在倒影中，空间景深与悬疑张力直接拉满。

片名带着手写的墨迹，就连演职员表都巧妙地被「加密」的黑线代替。氛围、光影、文字、构图，一次到位。

动画海报 ·  二次元乐队

一张8K的国风二次元乐队《长安未眠》舞台海报，简直令人拍案叫绝。

五个人，五种乐器，五套不重样的国潮打扮，U1 Pro极其聪明地处理了群像排布。

背景中，水墨山河化作金色的声波和飞鸟，与顶部的中文「长安未眠」完美契合。朱红、墨黑与鎏金的光影碰撞，把那种「盛唐赛博」的舞台炸裂感直接拉到了最高。

商业广告 · 山岚高山乌龙茶

再看一张奢侈品级的茶叶广告，最考验的是材质和文字。

哑光纸盒、烫金字、薄胎白瓷、胡桃木桌、袅袅茶汤蒸汽——五种质感堆在一张图里，任何一处露出塑料感就废了。

展览海报 · 山河入画

换到平面设计，这张图的高级感，是那种可以直接挂在顶级美术馆门口的水平。

U1 Pro极其聪明地处理了「二维与三维」的打破与重组，底部的山体还是带着在宣纸上洇开的墨迹，往上走，竟顺滑地变成了有真实光影的3D岩石和云层。

朱红色的丝带贯穿山谷，与山脚下极小的白衣人物形成鲜明对比，那种「寄蜉蝣于天地」的宏大尺度感扑面而来。

而且，标题、展期、地点、开放时间，不仅干净利落，而且一个字都没写错。

老实说，在生图领域，「长文本排版」和「物理科学逻辑」是公认的两座大山。

但U1 Pro的成图，直接把这两座大山给推平了。

《月相》中文科普海报画面中，从主副标题、四段密集的科普正文，到图注、底部知识卡片，几百个汉字竟然做到了逐字精准，零错字、零乱码、零「AI伪汉字」。

更绝的是，AI常常缺乏空间物理常识，但U1 Pro精准构建了「日-地-月」的位置关系示意图。

信息设计 · 中国茶的六大茶类

信息图再进一步：六个模块环绕中心茶杯，茶名、茶汤色、产地、山水小插画各就各位，几十处中文零乱码，配色克制、逻辑清楚——一张能直接挂上博物馆展板的图。

从繁华长卷到商业广告，从科普卡片到电影海报，同一个模型，一口气全包了。

这张《岚月》角色设定图，足以证明了U1 Pro具备了「主美级」的落地能力。

在这个二次元原创角色设定集中，AI一并绘制了主图，以及三视图、四个动作图、技能特效，外加一堆装备细节和中文资料卡。

角色面部、复杂苗族银饰、多层蜡染裙甲，在所有视角下保持绝对统一。

接下来，让U1 Pro和GPT Image 2进行一场「硬碰硬」的实战。

在同一提示词下，究竟谁的成图更胜一筹？话不多说，直接看效果。

先来看看这道「麻婆豆腐」菜谱图。 从整体观感来说，U1 Pro赢在了「清爽」。

它知道菜谱的重点就是食材和做法，所以果断去掉了花里胡哨的背景，让人一眼就能抓住关键信息。

相比之下，GPT的画面就显得有些「用力过猛」了。

不仅整体色调偏黄，还在边边角角塞满了川蜀建筑，让整个画面显得十分拥挤、不够直观。

最致命的是它还加入了大量文字，结果弄巧成拙，比如角落里的印章，上面全是看不懂的「AI造字」，直接让人出戏。

这些图随便拎一张出来，都像出自专业设计师之手。

发布会上，SenseNova U1 Pro的官方定位是——面向复杂多模态任务的交付系统。

对此，商汤科技联合创始人、首席科学家林达华给它概括了个更一目了然的名字：创作模型。

区别就在「创作」两个字。

传统的AI生成流程是：你输一段prompt，它出一张图。不推敲、不打草稿，成不成看运气。

但U1 Pro不一样，它干起活来更像是个会思考的设计师。

在接到需求之后，U1 Pro会先想版式、打草图，然后还会回头审一遍对不对味，再一块块填细节，最后统一调色、精修。

这一整套「看—改—想下一步」的背后，是Agentic Generation Loop数十轮的长程迭代。只不过复杂的思维链被压在底层，交到你手里的直接就是成品。

就像Coding模型交付的不是软件，是一个会敲代码的程序员；U1 Pro交付的，是一个活在数字里的设计师。

而设计师和抽卡机，差的就是能不能交付。

举个例子。

一张100个字的图，错1个字，普通生图模型按平均分算还能给你99；可到了交付级，错1个字整张图就是0分。毕竟谁也不想等海报贴满了大街，才猛然发现角落里还躺着一个错字。

为了验证U1 Pro的成色到底怎样，商汤特地请来200位美院学生和设计师组成评审团，给每张图打分——

如果一批图里有六成敢直接交给客户，才算合格。

目前，能够做到这一步的只有两个模型。一个是U1 Pro，另一个是GPT-Image-2；甚至在文字、设计感、东方细节上，U1 Pro还稍胜一筹。

为了够到这个标准，U1 Pro采用的是一套自研的理解生成统一架构——NEO-unify。

它砍掉了传统多模态里VE（管理解）和VAE（管生成）这两个独立的编解码组件，让理解、生成、行动共用同一套表征、同一套计算。整个模型，就是一套浑然一体的Transformer。

生成过程中，没有专门的调度器指挥，模型所做的就是一路往下预测下一个token——写着写着，它自己判断「该出图了」，就切进图像token接着画，画完再切回文字。

文字和图始终跑在同一条自回归序列上，像说同一种「语言」，不靠外挂、不靠工具在中间对齐。

这么做的好处是，模型学得又快又省，十分之一的数据就能追平顶尖SOTA；而且结构简单、天然好scale，训练和推理的成本也远低于谷歌和OpenAI。

采用NEO-unify架构后，商汤在今年4月率先发布了SenseNova U1一个轻量级的开源模型，并且在5-7月升级多个基于U1的infographic-V1、V2和V3版本。

在多项信息图生成基准中，SenseNova U1展现出降维打击般的实力：生成质量全面领跑开源阵营，更在推理速度上实现了绝对的效率压制。

对于普通生图来说，或许可以一笔直出。但一张交付级的图，得像设计师那样反复推敲、边看边改。

这份「会思考」的本事，就来自「图文交错思维」。

它不再一口气把图吐完，而是把创作拆成一套动作空间：生成、编辑、局部重绘、组合。每往下走一步，都回看前面已经落笔的部分，再决定下一笔怎么画。

而调度这套动作的本事，是训出来的。

冷启动阶段，商汤先把设计师的专业判断整理成「指令思维链」喂进去打底，让模型学会「先定版式、再铺大色、最后抠细节」这样的先后章法。

在此基础上，再上强化学习，用一个几十维度一起打分的奖励模型：构图、文字准确度、设计美感、整体一致性各算一笔，每出一张图就反馈「哪好、哪不好」。

一轮轮打磨下来，模型就自己长出了「下一步该干什么」的判断。

除此之外，交付级的图是要拿去印、经得起放大的。

尤其像开头那张铺满整面墙的长卷，分辨率不够，凑近一看全糊了。所以U1 Pro把原生分辨率顶到了8K。

但问题是，分辨率一上去，视觉token和算力就会跟着暴涨。

由于Transformer的注意力开销随token数量的平方走，token翻一倍，算力就是四倍。一张8K的图摊成token，足以把上下文直接撑爆。

面对这一问题，商汤的解法是用32×32的大patch（普通生图模型是16×16）来覆盖住更大的画面，从而把token量直接砍到四分之一。

不过，patch一大，每个token要「管」的像素更多，细节就容易糊。偏偏交付级最较真的文字和纹理，全藏在细节里。

为此，他们又提出自适应的分级噪声控制，在细节吃紧的地方多注入噪声、逼模型多花力气去抠，把丢掉的控制力补了回来。

一来一回，不仅上下文没爆炸，8K大图也能稳定直出了。

时至今日，AI生图的战场终于从「谁画得更好看」，走向了最硬核的「拼交付」。

这条路，Coding已经提前替所有人趟明白了——

变强的从来不只是模型能力，更是能调用这种能力的人越来越多。从专业程序员，跨界到产品、设计，甚至覆盖了每一个只要有想法的普通人。

在徐立看来，多模态内容正在经历完全相同的演进逻辑，只是它还卡在半路上。

这个瓶颈，就是「Reasoning Generation」。

从DALL·E、Midjourney到Nano Banana、GPT Image，AI第一次大规模解决了「生成美」。

你甚至能用大白话反复调它、改它。可一旦丢进真实工作流，毛病立刻现形：局部改对了、整体崩了；专业内容乍看没问题、放大全是破绽；反复几轮，纹理越改越脏。

最后吐出来的，还是一张没法接着编辑、没法直接用的半成品。

归根结底，能生成，不等于能交付。可控，也不代表可交付。

图像生成这十年，其实走过两级台阶：先解决了「像」，又解决了「真」，细节越来越逼真。

而商汤想踩下的第三级台阶，是「美」，即通过专业级的设计美感，达到真正的工业交付标准。

这，正是U1 Pro想踩下去的那一脚。

就像代码从Vibe Coding迈向Agentic Coding，创作也要从「Vibe Creation」迈向「Agentic Creation」。

不再是碰运气的氛围感抽卡，而是模型自己不停反思、一步步把活干完。

但踩下这一脚，还不是U1 Pro的全部野心。

它底下那套「理解生成行动」的统一架构，本就是个通用底座，视觉创作只是这回「专注做到极致」的第一站。

往后，通用视觉感知、空间智能、具身大脑、城市规划、建筑设计，都在射程里。

刚开源的SenseNova-Vision已经露了苗头。深度、遮挡、镜面、近大远小，这些人类习以为常的视觉常识，模型开始真正「看懂」了。

对此，林达华激动地表示，这是他第一次瞄到「视觉涌现」的影子。

再往前，就是他挂在嘴边的那句Words to Worlds——让视觉和语言真正在一个空间里长到一起。

他相信，语言的「GPT时刻」2022年底就到了，视觉的那一刻还没来，而NEO-Unify，就是想给它先搭好地基。

但回到当下，U1 Pro想证明的事其实很朴素：把过去只有少数专业人士才握得住的能力，交到更多人手里。

一杯咖啡的时间，一张能直接拿去印的高清图。

这一次，「好看」不再是终点，「能用」才是。