论文页面 - SenseNova-U1.5：迈向原生统一视觉智能

来源：https://huggingface.co/papers/2609.11929 发布于 9月10日

#2 每日精选论文 (https://huggingface.co/papers/date/2026-09-11) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

SenseNova-U1.5 是一个 8B 参数的原生统一多模态模型，无需编码器或 VAE 即可执行视觉理解、推理和生成，通过块重建、精选数据、专家优化和策略内蒸馏实现了高保真度和指令遵循。

我们推出了 SenseNova-U1.5，一个 8B-MoT (https://huggingface.co/papers?q=8B-MoT) 原生统一多模态模型 (https://huggingface.co/papers?q=native%20unified%20multimodal%20model)，它在无编码器 (https://huggingface.co/papers?q=encoder-free) 和 无VAE (https://huggingface.co/papers?q=VAE-free) 的架构内理解、推理并生成视觉内容。我们通过空间一致的块重建 (https://huggingface.co/papers?q=spatially%20coherent%20patch%20reconstruction) 强化了其视觉接口，并通过精心策划的生成与编辑数据、改进的任务表述、结构化提示增强以及高达4K的原生分辨率来扩展其训练。在后训练阶段，我们为视觉美学 (https://huggingface.co/papers?q=visual%20aesthetics)、双语文本渲染 (https://huggingface.co/papers?q=bilingual%20text%20rendering)、信息图生成 (https://huggingface.co/papers?q=infographic%20generation) 和图像编辑优化了专门的专家模型，并通过多专家策略内蒸馏 (https://huggingface.co/papers?q=multi-expert%20on-policy%20distillation) 巩固了它们的能力。在广泛的评估中，SenseNova-U1.5 在图像保真度、文本渲染、复杂构图、多参考编辑和交替生成 (https://huggingface.co/papers?q=interleaved%20generation) 方面取得了显著进步，同时提升了指令遵循能力，并保持了主体身份、几何结构和未修改区域的完整性。尽管其生成数据中对结构化格式的接触有限，但 SenseNova-U1.5 能够有效泛化到长篇、复杂和结构化的视觉指令，这进一步证明了多模态理解可以迁移到视觉规划与创作中。这些发现共同表明，原生统一建模是实现能够感知、推理和创造的系统的一个有前景的途径，其架构是完全端到端的。我们将开源训练代码，包括监督微调、强化学习 (https://huggingface.co/papers?q=reinforcement%20learning) 和策略内蒸馏。

查看 arXiv 页面 (https://arxiv.org/abs/2609.11929)查看 PDF (https://arxiv.org/pdf/2609.11929)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.11929)

在你的代理中获取此论文：

hf papers read 2609\.11929

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2609.11929 以从此页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.11929 以从此页面链接它。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2609.11929 以从此页面链接它。

包含此论文的收藏集1