北京
“行業以往的‘統一視覺’，多是把檢測、分割、深度預測等多個專家模型打包封裝，本質還是割裂的?！鄙虦萍冀裉彀l布并全面開源了日日新SenseNova-Vision視覺大模型，一上來就戳破了行業那層窗戶紙。這款模型的思路簡單粗暴：不再把視覺能力當外掛插件，而是讓視覺變成大模型的原生能力，目標檢測、圖像分割、深度預測、3D重建這些經典任務，全部在一個模型里原生統一。
評測結果有點不講武德。SenseNova-Vision憑借單個模型，在四大核心視覺領域直接把各領域的專用“專家模型”按在地上摩擦，甚至實現領跑。先看結構化視覺理解，什么目標檢測、指代檢測、OCR、關鍵點定位，它統統拿下頭名；尤其遇到稠密小目標、長尾類別這種讓傳統模型頭疼的場景，反而表現得更穩。稠密幾何預測方面，深度估計、表面法向估計精度直接對齊幾何專用模型，室內、室外各種場景下都穩得一批。分割能力也不含糊，通用分割、推理分割、交互式分割全鏈路拉通，憑借多模態理解力，在推理分割和對話式分割上直接“驚艷”了一把。多視角3D幾何更絕，單模型就能高質量完成點云重建和相機位姿估計，這項能力在通用視覺路線里目前還沒有對手。
橫向對比更加慘烈。和語義導向模型如Youtu-VL相比，SenseNova-Vision在檢測、分割、深度這些拼細節的任務上全面領先。而面對生成導向的Vision Banana，代際差距直接拉滿：幾乎所有權威評測指標上，SenseNova-Vision都壓過對手一頭，而且這還是單模型挑全任務。Vision Banana只能應對四大板塊里的兩類任務，SenseNova-Vision卻把結構化理解、稠密幾何、全景分割、多視角3D一口氣全包了，更狠的是模型、數據同步開源，沒藏著掖著。
商湯還順手扔出了5000萬條樣本的視覺指令語料庫SenseNova-Vision Corpus-50M，算是給社區送了一份大禮。按照商湯的規劃，SenseNova-Vision的核心技術后續會全面融入日日新U系列大模型，讓商業落地再多一層想象空間。同行還在費勁拼拼圖，商湯直接畫好了一張完整的地圖——而且把地圖免費發放了。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
