商汤科技开源 SenseNova-Vision-7B-MoT 多任务视觉模型

商汤科技在 X 上发文称已完全开源 SenseNova-Vision-7B-MoT 及其 5000 万示例训练语料库。此次发布让开发者能够获取模型权重以及复现其余公开数据所需的完整工具包。

这一举措让单一 7B 参数模型直接与目前主导各视觉任务的独立专业模型展开竞争。商汤科技表示，该模型接受自然语言指令来定义新任务变体，并重新组合以往需要独立网络的功能。

发布中列出的模型能力

SenseNova-Vision-7B-MoT 在单一网络中处理检测、OCR、GUI 元素识别、深度与法线估计、分割以及多视图推理。公司表示，用户可以用普通英语描述新任务，模型无需额外微调即可适应。

开放语料库包含 5000 万个演示对，以及可重建训练中使用的其余公开数据的脚本。商汤科技以允许商业使用的宽松许可发布了权重。

OCR 或深度估计等专业模型在狭窄基准测试中仍保持性能优势。SenseNova-Vision-7B-MoT 将验证统一方法是否足以缩小差距以取代多个小型部署的责任推给采用者。

维护独立管道的公司现在面临具体比较：一个模型对多个模型。早期采用者将测试 7B 参数规模是否能在边缘设备上提供可用速度，或者延迟是否仍是阻碍。

该架构将每个视觉任务视为提示条件路由问题。自然语言指令引导共享主干特征转向请求的输出格式。商汤科技表示，该方法避免了任务特定头，同时在标准基准测试中保持准确性。

发布的复现工具包包含数据处理脚本和评估工具。因此，开发者可以将模型与自己的数据集进行比较，而不仅仅依赖商汤科技的数据。

商汤科技尚未发布涵盖所有支持任务的第三方基准表。独立实验室需要数周时间在公开测试集上进行受控比较。在这些结果出现之前，与专业模型相当的说法仍未得到验证。

消费级 GPU 上的硬件要求和推理速度仍不清楚。7B 规模表明本地运行可行，但内存占用和 token 吞吐量数字尚未披露。

关注学术团体或独立测试人员运行完整任务套件的基准报告。这些报告将显示统一模型在专业系统通常处理的边缘案例上是否保持准确性。

关注注释平台或机器人仿真框架的集成公告。这些生态系统的采用信号将表明开发者是否将此次发布视为即插即用的替代方案。

关注商汤科技关于语料库或训练代码的更新。进一步的发布可能会降低微调的门槛，并改变已经在运行多个视觉管道的团队的成本计算。