7 月 18 日，在 2026 年 WAIC 大会“基座大模型架构创新与生态合作论坛”召开前夕，《AI 科技评论》专访了商汤科技首席科学家林达华。

面对“大语言模型之后的决胜战场在哪”之问，林达华以办公室内的一盆绿植为例指出：人眼能瞬间感知的细节，语言往往难以穷尽。这揭示了当前大语言模型在面对真实物理世界时的隐形边界。

从高级审美设计到城市三维布局，再到自动驾驶与具身智能，凡涉及物理空间理解的场景，均离不开真正的“视觉”能力。基于语言与视觉深度融合的第一性原理，商汤将多模态确立为下一个核心战略高地。

区别于业界主流的“拼接式”路线，商汤选择了一条更具挑战的底层融合之路。今年 3 月，商汤推出原生统一多模态架构 NEO-unify；4 月发布开源模型 SenseNova U1；而在本次大会上，商汤正式推出可交付级别的旗舰模型——SenseNova U1 Pro（简称 U1 Pro）。

作为全球首个以“理解、生成、行动”原生统一为内核的多模态工具，U1 Pro 具备内生的“图文交错思维”，可直接输出原生 8K 顶级画质成片，在设计领域对标 GPT-Image-2 等全球顶尖模型。

01 为什么多模态是 Coding 之后的下一个战场

当前，AI Coding 虽是行业热点，但纯文本语言的天花板已清晰显现。林达华指出，现有代码模型生成的前端页面缺乏“苹果级”质感，高级的设计感与空间美学是纯文本逻辑的天然盲区。

随着后端逻辑能力趋同及价格战加剧，前端体验与视觉交互成为新的竞争高地。林达华强调："CLI 是面向机器的，而视觉才是面向人类体验的。”无论是办公汇报、海报设计，还是游戏影视制作，高频大众场景的本质均离不开视觉。

打造能在物理世界中思考行动的“全能智能”，必须打破壁垒，实现视觉与语言在底层大脑的融合。然而，视觉与语言属于完全异构模态，像素无法简单对应文字词元，攻克异构模态融合一直是该领域的核心难点。

02 U1 Pro 的技术演进路径

长期以来，多模态主流技术路线采用“拼接式架构”，即外挂独立视觉编码器将图像“翻译”为文本。这种方式虽工程门槛低，但会损耗大量精细化空间和感知细节，导致融合效率低下，并非“真正看见”。

商汤团队认为，多模态的终极形态应让不同模态拥有共同的语言和表征，像人类大脑一样深度沟通。为此，商汤坚持长期主义探索：

• 2025 年中，联合南洋理工大学 S-Lab 在小规模数据上验证原生融合设想；
• 2025 年 9 月，发表论文系统阐述移除视觉编码器、建立深层融合的 NEO 架构；
• 2026 年 3 月，发布原生统一架构 NEO-unify 及相关论文，确立端到端原生统一模型设想。

在 NEO-unify 架构中，商汤彻底移除了依赖的视觉编码器和变分自编码器，采用自研的 Mixture-of-Transformers（MoT）架构，让语言和视觉信息在每一层计算中深度交融。该架构仅需 3.9 亿图像文本示例（约为业界同等性能模型的 1/10），便涌现出顶尖的视觉感知和推理能力。

基于此架构的开源模型 SenseNova U1，拥有真正的“图文交错思维链”，以 8B 体量斩获 SOTA 性能。随后，团队针对高商业价值的“信息图”赛道进行高频迭代：

• V1 版本重构底层算力，显著提升信息密度与排版质感；
• V2 版本攻克小字清晰度与排版精度难题，视觉表现比肩专业设计师；
• V3 版本引入“可编辑功能”，支持用户直接修改画面。

图注：U1 Pro 设计的关于“背包”的信息图，文字清晰准确，设计高级美观

这套技术范式在 U1 Pro 上全面爆发，标志着 AI 设计进入“交付级”时代。

03 打造专业级设计模型的核心逻辑

当前许多 AI 绘图工具在复杂排版和密集信息任务中表现不佳，原因在于“画画”靠概率，而“设计”靠精准的逻辑与控制。

林达华表示，赋予 AI 专业设计能力需用亿道“魔鬼级”题目训练。商汤构建了规模逼近数十亿级别的超大型“多模态题库”，其中单张设计图对应的文字描述往往长达上千字。训练流程分为三个阶段：

• 预训练阶段：吞吐数十亿级图文原生交错数据，夯实认知地基；
• 持续预训练阶段：利用高比例“合成数据”高强度拉升专业设计能力；
• 后训练阶段：精选千万级黄金数据精雕细琢，沉淀成品级交付质感。

支撑这一过程的是商汤内部由超级 Agent 驱动的自动化数据合成管线。林达华强调：“核心技术的突破是坚守长期主义的马拉松，能改变行业底层范式的长期价值远超一时流量热点。”

04 击穿信息图赛道，讲好商业故事

商汤将设计方向，尤其是信息图，作为多模态战略的核心落地场景。该场景在电商、广告、游戏及出海贸易等 B 端领域需求巨大。然而，AI 生图商业化长期面临图不达意、拼凑感强、无法理解设计因果及修改成本高等瓶颈。

林达华指出，商业世界的标准是“零容忍”，错一个字即为废纸。因此，他评判模型好坏的唯一标尺是“交付率”，即生成内容无需大幅修改即可直接商用。

目前，U1 Pro 的交付率稳定在 70%。在全球范围内，仅有商汤 U1 Pro 与 OpenAI 的 GPT-Image-2 超越了 60% 的商业可交付基准线。70% 交付率背后是严苛的全维度品控：文字错误率、图形元素及布局色彩细节错误均控制在千分级。

图注：U1 Pro 设计的泉州主题海报，内容丰富且设计细腻

图注：U1 Pro 设计的二十四节气海报，支持 8K 分辨率及特殊长宽比

高交付率源于商汤独创的“视觉拆解思维链”学习模式。模型在训练中会自动拆解高质量海报的视觉组件，逆向推理版式布局与色彩思路，内化设计神韵。生成时，U1 Pro 采用“多轮智能体生成闭环”：先规划方案，再生成全图，最后全局自检并反向迭代，直至符合交付标准。

此外，商汤组建了由 200 名美院学生和专业设计师构成的“人类审美团”，通过高强度的“找茬”与打分，帮助模型打磨出真正的“高级感”。

05 迈向世界模型与物理世界 AGI

采访透露，U1 Pro 已具备初步的空间推演能力。在商汤的战略版图中，世界模型与具身智能并非平行线，而是视觉与语言深度融合基座上的自然分支。

例如，生态企业大晓机器人推出的“开悟”世界模型，其底层依然是多模态底座，仅增加了具身数据的训练比例。7 月 13 日发布的 SenseNova-Vision 模型，则让视觉成为通用基础模型的原生能力，在目标检测、3D 重建等任务上超越专用模型。

展望未来，林达华透露下一代 U2 将真正走向三维，融入视频的理解与生成，实现感知、理解、生成、行动的一体化。更远处的终极形态是将模态扩展至几十种传感器信号，构建完整的世界模型。

面对物理规则复杂性带来的算力瓶颈，林达华提出解耦思路：拆分不同属性的专用子模型进行有机组合与协同推理，而非穷尽所有数据组合。

当被问及下一个技术攻关目标时，林达华毫不犹豫地回答：“物理世界的 AGI。”这或许正是智能最坚硬的部分。

图注：商汤上海办公室迎客厅书架上的碑

商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道

走访 100+ 机器人展台：拐点已至，具身智能进入千行百业｜WAIC 2026