重構(gòu)多模態(tài)生成：商湯U1 Pro如何用Agent邏輯終結(jié)AI抽卡

作者｜Yoky
微信｜ yokyliu617

都2026年了，AI能自己寫完一個復(fù)雜的軟件工程交付，卻還搞不定一張信息圖里的100個漢字。

這種戲劇性的落差，揭開了當(dāng)下生圖模型的困境。之所以把二者放在一起比較，是因為它們起點相同：同樣的專業(yè)場景，同樣的模型驅(qū)動。但在過去兩年，兩邊走出了完全不同的技術(shù)體位。

寫代碼這一邊，Coding Agent接需求、寫工程、跑測試、改bug，循環(huán)到交付為止，用戶會不會編程已經(jīng)不重要了。而設(shè)計這一邊，行業(yè)最頂尖的生圖模型仍然要你生成十張、挑出一張、再打開PS手動修四十分鐘。

為什么代碼能交付，設(shè)計不能？差距不在生成能力上。Coding Agent贏的不是代碼寫得更好，而在于通過不停的debug來保證最終的交付質(zhì)量；反觀生圖模型，生成之后的一切錯亂，仍然只能靠人類設(shè)計師來兜底。

7月18日的WAIC上，商湯發(fā)布了最新日日新SenseNova U1 Pro（以下簡稱U1 Pro），來解決這層“最終交付”的問題。作為面向長程任務(wù)的、交付級原生多模態(tài)智能體基座，U1 Pro將理解、生成和行動在同一個模型里完成了深度統(tǒng)一。

它的工作邏輯和Coding Agent異曲同工：通過理解需求，規(guī)劃版式，生成內(nèi)容，檢查問題，自主修正，直到輸出能直接使用的商業(yè)成品。

1

第一部分：U1 Pro：抽卡終結(jié)者？

生圖模型雖然已經(jīng)火爆三年，但商業(yè)落地最核心的從來不是“圖不夠好看”，而是“出來的東西根本不能用”。

問題長期集中在三個死角：一是中文排版必崩：一張信息圖100個字，錯幾個，整張廢掉。二是復(fù)雜信息的空間布局：圖文關(guān)系和層級邏輯，出來全是堆砌。三是長文本對齊無力：prompt越長，模型越容易失控。

商湯董事長兼CEO徐立在WAIC演講中拎出了一個關(guān)鍵判斷：推理生成（如Nano Banana、GPT-Image-2這類模型）解決了“可控”，但沒解決“可交付”。局部修改會變成全局都在動，信息圖文字牛頭不對馬嘴，生成完了還得借傳統(tǒng)編輯工具去修?！翱煽夭淮砜山桓丁！?/p>

也就是說，整個設(shè)計AI行業(yè)走到了一個尷尬的中間態(tài)：面向的受眾依然是專業(yè)人士，你得懂專業(yè)工具，才能把AI出的東西修到能用。

這正是代碼領(lǐng)域三年前的狀態(tài)。如今代碼已經(jīng)從“輔助專業(yè)人士”走到了“替普通人交付”，而設(shè)計還卡在半路。

回顧Coding Agent 的發(fā)展路徑，先走通了“從Copilot工具輔助，到Vibe Coding意圖驅(qū)動，再到Agentic Coding系統(tǒng)級交付”的演進。多模態(tài)產(chǎn)品正在走同一條路：第一階段解決真實感，第二階段能用自然語言交互并持續(xù)修改，第三階段才能直接在真實場景里完成交付級創(chuàng)作。

按這個劃分，市面上的生圖模型整體還停在第二階段，U1 Pro想做的是第一個跨進第三階段的。

那什么叫“能用”？商湯科技首席科學(xué)家林達(dá)華給了一個標(biāo)尺。商湯內(nèi)部有一支200位美院設(shè)計師組成的評審團隊，每張圖都要回答同一個問題“如果你是設(shè)計師，你愿不愿意把這張圖交給客戶？”只有當(dāng)60%的圖能達(dá)到這個標(biāo)準(zhǔn)，才算是達(dá)到交付級。

按這個標(biāo)尺來衡量，行業(yè)現(xiàn)狀很難看。林達(dá)華給了一組數(shù)字：“普通生圖模型的交付率都是個位數(shù)。近期更偏商業(yè)化的模型，包括Nano Banana，交付率也低于五成。真正能達(dá)到可交付的就兩個：U1 Pro和GPT-Image-2?！?/p>

從硅星人的實測看，我們給出了風(fēng)格相對模糊的提示詞，但要求文字準(zhǔn)確，層級清楚、排版有邏輯。不僅需要模型自己查攻略規(guī)劃路線更要將復(fù)雜的信息直接的展示出來。

據(jù)硅星人了解，WAIC現(xiàn)場那張鋪滿整面迎賓墻的長卷《智會世圖》，就是U1 Pro生成的：4:1超寬畫幅，宣紙水墨風(fēng)，串起WAIC從2018到2026的九年歷程，放大之后小字和圖標(biāo)依然清晰。

除了信息圖，商湯還在WAIC上展示了更復(fù)雜數(shù)據(jù)可視化的生成，先配合了小浣熊進行分析數(shù)據(jù)分析，再交給U1 Pro出圖，生成了「世界杯決賽對陣分析圖」。

出圖即用，視覺生成的Agent化，苗頭確實出現(xiàn)了。

1

第二部分：從U1到U1 Pro：兩個月，三次迭代

商湯并沒有一上來就做U1 Pro，而是用U1開源版，來驗證一條新的技術(shù)路線。

把語言和視覺塞進同一個Transformer里聯(lián)合學(xué)習(xí)，不再用傳統(tǒng)的“一套理解、一套生成”的拼接方案，能否保證最終效果？U1開源版本（包含集成U1的Skills）GitHub星數(shù)兩三個月漲到8000多，從某種程度來說，驗證了這條路線的可行性。

之后的兩個月，商湯拿信息圖當(dāng)做“磨刀石”。因為信息圖同時考驗文字準(zhǔn)確、空間布局、邏輯層級、圖文關(guān)系，是所有品類里最難的那個。兩個月內(nèi)三次迭代，每次都解決一個具體問題：V1讓文字不再出錯，V2讓模型理解標(biāo)題和正文的層級差異，V3讓它學(xué)會合理安排模塊和模塊之間的空間關(guān)系。

每次版本迭代，團隊都在回答同一個問題：這張圖為什么不能直接拿去商業(yè)印刷？

這三步，幾乎走完了人類設(shè)計師從實習(xí)生到成熟熟手的心路歷程。而磨礪出來的空間規(guī)劃和邏輯推理能力，反過來成了U1 Pro做“設(shè)計Agent”的底座。因為要能先自我檢查與自我修正，前提是模型得先能“看懂”自己出的圖哪里不對。

商湯首席科學(xué)家林達(dá)華這樣描述U1 Pro的工作方式：“它會從一個草圖出發(fā)，先規(guī)劃該用什么版式，把版式畫出來，看看是不是符合想象，然后再填入具體內(nèi)容，最后進行整體調(diào)色或細(xì)節(jié)精修（refine）?！彼皇琴€一步出圖，而是像真人設(shè)計師一樣，草稿、填充、潤色，每一步都在自動檢查修正，循環(huán)到滿意為止。

技術(shù)上支撐這套循環(huán)的是三個選擇。

一是統(tǒng)一架構(gòu)。 理解和生成在同一個模型內(nèi)完成，不需要兩套系統(tǒng)之間來回“翻譯”。林達(dá)華打了個比喻：“如果生成走一套、理解走另一套，就像一個外國人跟中國人說話，always要用翻譯。我們直接讓他們說同一種語言?！?/p>

二是成本方面，極致的壓縮token消耗量來降低用戶的成本。 用32×32的大patch切圖，token量降到常規(guī)的四分之一，再用自適應(yīng)噪聲控制補回細(xì)節(jié)。這是8K分辨率成本跑得起來的關(guān)鍵——否則推理成本會隨分辨率爆炸。

最后，也是最關(guān)鍵的能提升審美的部分，讓人類設(shè)計師在訓(xùn)練回路里。 商湯邀請了200位美院設(shè)計師評審，他們還在訓(xùn)練回路里持續(xù)為模型打分反饋，驅(qū)動強化學(xué)習(xí)。在冷啟動階段，由設(shè)計師提供思維鏈，先教會模型“一個好設(shè)計師接到需求后怎么一步步想”，之后通過RL不斷精進審美品味。

模型最后最后“自己有sense了”，看到不同畫面，也就知道下一步該做什么了。

1

第三部分：商湯的“大”視覺戰(zhàn)略

回到開頭那個問題：為什么代碼能交付，設(shè)計不能？

現(xiàn)在看，答案不是設(shè)計在本質(zhì)上比代碼難，而是過去沒有人這真正把“交付”當(dāng)成最終目標(biāo)。已經(jīng)有了十幾年視覺積累的商湯，從中看到了多模態(tài)統(tǒng)一交付的解法。

從CV時代的視覺識別，到感知智能時代的行業(yè)落地，再到今天的統(tǒng)一多模態(tài)架構(gòu)，這家公司的核心技術(shù)一直都在圍繞“看懂世界”展開。

這些底蘊落到U1 Pro身上，最直接的體現(xiàn)就是NEO-unify架構(gòu)：讓語言和視覺在同一個表征空間里聯(lián)合學(xué)習(xí)，僅用十分之一的數(shù)據(jù)量，就達(dá)到了同等SOTA水平。數(shù)據(jù)效率的提升，短期看是省錢，長期看是迭代速度，在這條需要反復(fù)試錯的路上，便宜就是快。

目前行業(yè)里做多模態(tài)的主流方案是拼接：VE負(fù)責(zé)理解、VAE負(fù)責(zé)生成、語言模型負(fù)責(zé)調(diào)度，出了問題再縫縫補補。

而商湯押的是“原生統(tǒng)一”，但這條路極難，要從零證明能不能實現(xiàn)，但是一旦跑通后，同一個技術(shù)母體可以向多個縱深方向延伸：比如面向設(shè)計的SenseNova U1和U1 Pro、面向世界模型的開悟、面向視覺理解的SenseNova-Vision以及具身智能，無需每個垂直方向都重新造一遍輪子。

別人在做一個產(chǎn)品，而商湯在打造一個通用底座。商湯押注的，是視覺+語言統(tǒng)一架構(gòu)在未來的長期復(fù)利。

而這正是商湯視覺戰(zhàn)略的核心：看得懂世界，才談得上交付世界。

把視線再拉遠(yuǎn)一層。語言模型的戰(zhàn)爭打了三年，牌局漸定，行業(yè)的下一個共識正在向視覺收攏——世界模型要理解物理世界，視頻生成要模擬物理世界，具身智能要進入物理世界，所有路線圖的終點，都指向了視覺。

一個真正屬于視覺的時代，正在路上。

點個“愛心”，再走 吧