商湯科技近日正式發佈並全面開源其視覺大模型——日日新SenseNova-Vision，在Hugging Face的Any-to-Any Leaderboard全模態任意輸入輸出開源模型榜單中綜合得分登頂，位列全球第一。這一動作標誌著視覺AI領域長期以來的“模型拼盤”模式迎來根本性挑戰。

傳統視覺AI系統往往需要為目標檢測、圖像分割、深度預測、3D重建等不同任務分別訓練獨立的專家模型，架構複雜且割裂，在面對複雜現實場景時容易失效。SenseNova-Vision試圖打破這一僵局，以單一模型統一覆蓋結構化視覺理解、稠密幾何預測、圖像分割和多視角3D幾何四大核心任務。根據同步發佈的技術報告，該模型在與國際領先模型Vision Banana的可比指標上取得了顯著領先，且任務覆蓋範圍更為完整。

商湯此次不僅開源了模型本身，還同步開放了代碼、訓練配方以及一個包含5000萬條樣本的開源視覺語料庫，並提供完整的轉換規則與腳本，使社區能夠利用公開數據集重現完整訓練流程。這種開放程度在視覺模型領域較為罕見，意味著全球開發者可以基於這套框架進行驗證、復現和二次開發。

從技術路徑看，SenseNova-Vision的核心突破在於將多種經典視覺任務統一表述為多模態生成問題，不再為每個任務設計專屬架構。這使得模型能夠將視覺空間理解能力內化為原生本能，同時形成“數據反哺大模型”與“推理賦能視覺任務”的雙向增益。一方面，視覺領域數十年積累的海量工業級數據可直接用於訓練；另一方面，大語言模型的泛化推理能力讓視覺任務具備了更強的靈活性與適應性，開發者甚至可以用自然語言定義全新的視覺任務。

在產業層面，這一“大一統”路線指向一種平臺化能力複用的新範式。過去視覺AI落地遵循“一場景、一模型、一開發”的重資產模式，邊際成本高，限制了在中小場景的滲透。SenseNova-Vision有望大幅縮短研發週期、降低部署成本，尤其適合複雜圖像與開放場景下的視覺應用開發。商湯自身在工業質檢、自動駕駛、智慧零售等數十個細分領域的長期積累，也為模型訓練提供了豐富的場景理解與數據支撐。

此次發佈正值視覺AI產業邏輯重構的關鍵節點。將經典計算機視覺數十年的積累以統一多模態生成方式接入通用基礎模型，使視覺感知成為大模型的原生組成部分，這一方向若能持續演進，或將推動視覺AI從分散的工具箱走向通用基礎設施，開啟更廣泛的應用空間。