免费 1500 次背后，商汤在下一盘什么棋

作者｜Cynthia 编辑｜ 郑玄 商汤最近做了一件大多数大模型公司都不舍得做的事。 每 5 小时 1500 次免费调用，Token 消耗比同行低 60%，三款新产品同步上线，还把核心模型 U1 以 Apache 2.0 协议全面开源——在大模型公司普遍在想怎么收费的当下，商汤在反向操作。 免费从来不是目的。问题是，它图什么？答案，是一套从模型、工具链到生态锁定的三层护城河。 如果要给过去三年的大模型行业挑个刺，人肉胶水一定排得上号。 一方面，模型能力越来越强，编程、问答、推理、绘画，单点拿出来都是专家水平。但问题也跟着来了，这些 SOTA 级的能力，本质上还是一座座互不相通的孤岛。 在内容创作、设计创意、编程等工作中，AI 负责了最有创意的环节，却把图文整合、校对、排版、内容搬运这些脏活，留给了人类。技术提升带来的效率红利，有相当一部分被胶水成本吃掉了。 那么，能不能把完整方案生成变成模型内置能力？商汤的回答是：不光能，而且免费。 就在前几天，商汤一举推出了三个具备完整交付能力的产品与模型： SenseNova 6.7 Flash-Lite ：新一代多模态智能体模型，具备顶尖的 Agent 能力，为复杂数据分析与任务规划而生，能很好适配高频、高并发的生产级办公需求。 SenseNova U1 ：基于自研的 NEO-unify 原生理解生成统一架构，首创连续图文创作输出，实现复杂信息图生成。 全线办公技能 SenseNova-Skills ：支持海量数据分析、自动化办公等实战场景。 而伴随着产品上线，商汤还推出了 SenseNova Token Plan，赠送首月每 5 小时 1500 次免费调用额度 ，不可谓不豪横。 要理解这套打法背后的逻辑，先从护城河的第一层说起。 01 第一层护城河：做别人做不到的事 SeneNova U1：从「会画画」到「会思考再画画」，差距在哪里？ 先聊几个数字。 U1 于 4 月 28 日正式发布，两个版本的模型权重（SenseNova-U1-8B-MoT 和 SenseNova-U1-A3B-MoT）均采用 Apache 2.0 协议开源，支持商业使用和本地部署。发布后迅速在 Hugging Face 收获大量开发者关注，成功冲进 Trending 榜前列。这个热度，在最近扎堆发布的开源多模态模型里，实属少见。 它凭什么？答案在架构里。 商汤 SenseNova U1 技术报告认为，多模态智能不应只是把视觉编码器、语言模型和图像生成器拼接起来，而应在同一表示空间中同时完成"看、读、想、画"。 这是 U1 系列模型的核心技术理念，也是 NEO-Unify 架构的出发点。 传统多模态模型的架构，是视觉编码器 (VE) + 变分自编码器 (VAE) 的组合——用 VE 做理解、用 VAE/扩散潜空间做生成。看图和画画是两套独立系统，模态转换过程会带来信息丢失，表示空间也是割裂的。 NEO-Unify 的做法截然不同：直接在像素 patch 与文本 token 上端到端建模，统一支持视觉理解、图像生成、图像编辑、交错图文生成等任务。理解和生成不再是上下游模块，而是同一上下文中的两种推理视角。 具体到架构设计上，NEO-Unify 同时解决了三组长期存在的矛盾： 第一，近无损视觉接口。 输入端不用 CLIP、SigLIP 等预训练视觉编码器，而用两层卷积加 GELU 将图像转为 token；输出端不用 VAE decoder，而用两层 MLP 直接预测原始像素 patch。表示空间由模型自身学习，既能承载高层语义，也保留生成所需的局部纹理、文字边缘和结构细节。 第二，分辨率自适应 flow matching。 动态分辨率会导致固定噪声先验在不同尺度下信噪比不一致，U1 引入分辨率自适应噪声尺度，使 256 到 2048 等不同分辨率下的像素空间生成更稳定。 第三，原生 Mixture-of-Transformers（MoT）。 理解流与生成流共享 self-attention 上下文，但 Q/K/V/O、LayerNorm、MLP 等参数解耦；文本、理解图像 token、生成图像 token 在每层交互，却保留各自表征专长。同时，三维 RoPE 把 token 放入时间、高度、宽度三轴坐标，从位置编码层面统一了语言顺序与二维结构。 这套机制的关键价值在于：MoT 的参数解耦加共享注意力上下文，能降低理解与生成之间的内在冲突。消融实验也证实了这一点——即使生成数据和理解数据共同训练，理解能力仍保持稳定，生成能力反而收敛更快。统一架构不是折中，而是带来了真正的跨能力协同。 这不只是架构描述， 有数据为证： 即便是 2B 参数量的 NEO-Unify 模型，在图像重建基准 MS COCO 2017 上，也达到了 31.56 PSNR、0.85 SSIM 的成绩，与公认的业界标杆 Flux VAE（32.65 PSNR、0.91 SSIM）差距不足 1 个百分点——而 Flux VAE 是一个专门为生成优化的独立组件，U1 是用一个统一架构顺带完成的。更值得关注的是，与同类统一模型 BAGEL 相比，NEO-Unify 在更少的训练 token 下取得了更好的表现，数据效率的优势相当显著。 实测效果如何？ 技术报告显示，在基准测试中 SenseNova U1 展现出均衡且出色的能力谱系。多模态理解上，A3B-MoT 在 MMMU 达 80.55、MMMU-Pro 达 72.83，OCRBench 达 91.90，说明文本密集图像和通用视觉理解没有因统一生成而削弱。生成方面，GenEval 总分约 0.91-0.92，组合、计数、颜色、位置和属性绑定稳定；OneIG 英/中文文本维度最高达 0.969/0.977，LongText-Bench 英/中文达 0.979/0.962，长文本渲染能力尤为突出。 SenseNova-U1 与其他顶级多模态理解模型在多模态基准测试（Benchmarks） GenEval 上的定量评估结果 在图文交错生成（OneIG 中英文、LongText 中英文、CVTG）和信息图专项（BizGenEval Easy/Hard、IGenBench）的延迟-性能综合对比里，U1 在同等延迟区间内综合表现领先 Nano-Banana、Gemma-4 等主流开源模型，是目前开源模型里的 SOTA 水平。在与商业闭源模型的横向对比中，U1 Lite 在通用图像生成上的输出质量已与 Qwen-Image 2.0 Pro、Seedream 4.5 持平；在信息图这个历来是开源模型"滑铁卢"的领域，同样达到了商业级水准。 举个例子，输入「帮我生成一道做炒野生菌的教程」。完整的图文混排内容，就在十几秒时间里完整处理好了。它能在多轮推理过程中，边进行逻辑推导，写文字并输出食材、数量、配料、火候，动作对应的草图，再利用这些自行生成的视觉内容继续辅助后续推理，生成图文并茂的完整教程。 生成信息图也是一句话的事。比如，让它生成极简风的大自然碳循环图。整张图里的自然界碳循环逻辑完全正确，没有信息遗漏。在信息呈现上，以模块化区分不同功能模块，用符号化的视觉元素替代纯文字表述，既