> SenseNova-Vision彻底打破了语言模型外挂视觉模块的拼接架构，用7B参数的MoT架构将四大视觉任务统一归化为多模态生成问题。这是机器视觉走向原生大统一的里程碑。

## 告别专用预测头 视觉任务大一统的工程奇迹

长期以来，计算机视觉（CV）领域就像一个极其割裂的五金店。你要做目标检测，就得接入YOLO；要做图像分割，必须请出SAM；要搞深度预测，又要换一套专属模型。即使是后来的多模态大模型，本质上也只是“语言大脑”外挂了几个“视觉器官”，通过不同的专用预测头（Prediction Heads）来处理不同任务。

商汤此次全面开源的SenseNova-Vision，是一次对旧有CV工程范式的暴力强拆。

技术变革　彻底剔除下游专属预测头。
该模型将目标检测、OCR、关键点检测、3D重建等所有经典视觉任务，全部转译为“统一多模态生成问题”。在同一个共享的表征空间内，模型不再是按部就班地输出离散的坐标点或分割掩码，而是像生成一段流畅文本一样，直接“生成”出视觉结果。这种“All in One”的设计，在工程实现上是一次极简主义的胜利。

![32.jpg](https://static.downly.cn/images/ef8204284ea8b7e95894d813543be80b.jpg) <center>图源备注 图片由AI生成</center>

## MoT架构解密 共享表征空间的降维打击

SenseNova-Vision之所以能以仅仅7B（70亿）的参数量横扫四大核心视觉任务，其核心机密在于底层的Bagel-7B-MoT微调架构。

传统的视觉语言模型往往在图文对齐上做文章，但缺乏对物理世界稠密几何信息的理解。商汤团队投喂了高达5000万条高质量指令数据，强行在模型的权重网络中刻画了从2D平面到3D深度的物理法则。MoT（Mixture of Tasks）架构允许模型在处理不同指令时，复用绝大部分底层特征提取参数。这意味着，当模型在学习如何进行图像分割时，它所积累的边界感知能力，会无缝泛化并反哺到目标检测与深度估计任务中。这是一种底层认知的融会贯通，而非简单的算力堆砌。

## 从拼凑到原生 下游开发者的效率革命

对于下游生态而言，SenseNova-Vision的开源相当于向市场投放了一台万能机床。过去，自动驾驶或工业质检团队需要维护一个包含数个异构模型的庞大Pipeline，光是模型间的张量转换和显存抢占就足以让算法工程师崩溃。

提效核心　一套权重解决所有问题。
现在，开发者只需要一句简单的自然语言提示词（Prompt），就能让同一个7B模型在极低的显存开销下，瞬间切换任务身份。这种基于指令跟随（Instruction Following）的视觉输出模式，大幅降低了传统CV落地的门槛。不过，作为代价，模型对提示词的措辞与格式定义变得极度敏感，Prompt Engineering将成为未来视觉工程师的必修课。

![33.jpg](https://static.downly.cn/images/15ce9acaf71ad6a7e44ed9fc312f06f4.jpg) <center>图源备注 图片由AI生成</center>

## 务实预测 端侧AI与具身智能的新基座

商汤选择在这个时间节点开源7B量级的统一视觉模型，其战略意图极为清晰。7B是一个黄金参数量，它恰好卡在能够在主流边缘计算设备（如高阶车机芯片、工业机器人控制器）上流畅进行本地推理的甜点位。

务实预判　这款模型将成为下一代具身智能（Embodied AI）的最佳视觉基座。机器人不再需要为导航、抓取、避障分别部署三套视觉系统，一个统一的原生视觉大脑将接管所有的环境感知任务。计算机视觉的碎片化时代宣告终结，以生成式架构吞噬一切的“大统一时代”已经到来。

商汤开源统一视觉大模型 7B参数如何终结计算机视觉的碎片化时代

> 导语：今日AI界动态纷呈，谷歌计划在年底推出Gemini 3.0，旨在挑战行业领先地位，并已为其视频生成功能引入多图引导的创新玩法。与此同时，小米开源了其7B多模态模型，并推出了能自动调节家居的AI管家Miloco，而国产AI模型DeepEyesV2则通过智能调用外部工具，实现了超越更大模型的卓越性能。

## 小米发布AI智能管家，开源多模态模型让你的家更懂你

小米最新发布了一款7B参数的多模态模型“Xiaomi-MiMo-VL-Miloco-7B-GGUF”，并同步推出了名为“Xiaomi Miloco”的智能管家系统。该系统能够通过米家摄像头实时捕捉和识别用户的活动与手势，进而自动控制所有兼容Home Assistant协议的智能家居设备，实现真正的无感交互。目前，该模型已根据非商用许可开源，并支持通过GPU与Docker进行一键部署，极大地便利了开发者和技术爱好者的使用。

![image.png](https://static.downly.cn/images/2f49bb1fcc139ab6083c4a96abb6eb39.png)

图源备注：图片由AI生成

## 谷歌Gemini 3.0年底亮相，剑指AI王座

谷歌首席执行官确认，备受瞩目的Gemini 3.0大模型计划于2025年底前正式发布。新版本将在代码生成、多模态创作以及复杂的推理能力上实现重大飞跃。更值得一提的是，Gemini 3.0将集成升级版的图像生成引擎Nano。据透露，该模型在小范围测试中已经展现出令人印象深刻的技术亮点，显示了谷歌在AI领域全力反击，争夺技术制高点的决心。

![image.png](https://static.downly.cn/images/e4729d3ec494c49ce802d29c0928661c.png)

图源备注：图片由AI生成

## 国产多模态AI新突破 DeepEyesV2巧用工具超越大模型

中国在多模态AI领域推出了新一代模型DeepEyesV2。与传统模型单纯依赖海量训练数据不同，DeepEyesV2的创新之处在于它能智能地调用外部工具来完成任务。无论是在图像分析、代码执行还是网络搜索方面，它都展现出了超越许多更大型模型的性能。这一设计思路为解决复杂的多模态任务提供了全新的解决方案，尽管早期实验表明，单纯依靠强化学习来稳定实现此目标仍有挑战。

![image.png](https://static.downly.cn/images/679923c5b5e58d34354aedbe35aa6cbd.png)

图源备注：图片由AI生成

## AI视频生成再升级 谷歌Gemini支持多图引导创作

谷歌Gemini应用迎来一项重要更新，进一步降低了AI视频创作的门槛。现在，用户可以在输入文本提示的同时，上传多张参考图像，用以引导AI生成具有特定外观和风格的视频与音频内容，从而实现更高度的个性化定制。这项功能已在Flow平台上进行测试，该平台还支持视频时长的扩展和多场景的智能拼接，旨在全面提升AI生成视频的最终质量。

![image.png](https://static.downly.cn/images/52dfbb2003526ccc060d917a44682586.png)

图源备注：图片由AI生成

每日AI资讯1117：谷歌Gemini年底迎战，小米开源AI管家



> 导语：备受瞩目的GPT-5在万众期待中登场，其性能表现与颠覆性的定价策略在社区引发热议，多家平台已迅速跟进集成。与此同时，AI正以前所未有的速度赋能开发者生态，从终端命令行编程到多语言文档解析，创新工具不断涌现。AI的应用边界也在持续拓宽，已深入AI代理支付、太空医疗保障乃至病毒式视频创作等全新领域，一个更加智能化的未来正加速到来。

## GPT-5全面来袭 性能毁誉参半，低价策略或引发市场震动

OpenAI的最新旗舰模型GPT-5已正式发布并登陆Cline等平台，提供旗舰版、mini版和nano版以满足不同需求。早期用户反馈呈现两极分化，一方面，其在推理、代码质量和处理复杂任务上表现卓越，幻觉率的降低也获得普遍好评。但另一方面，不少用户指出其写作能力似乎不如前代，编程能力的表现也参差不齐，尚不能完全胜任所有复杂任务，且在不同设备上存在服务器不稳定的情况。

值得注意的是，OpenAI为GPT-5制定了极具竞争力的定价，引发开发者社区的积极反响，此举或将掀起一场AI模型市场的价格战。为推动应用，AI代码编辑器Cursor已宣布向其付费用户提供限时免费的GPT-5体验。

![image.png](https://static.downly.cn/images/6683d2b470b68f256d6ac542bbca7b8e.png)

## PyTorch 2.8重磅更新 为英特尔芯片带来推理性能大飞跃

最新发布的PyTorch 2.8版本将为AI开发者带来显著的性能提升。此次更新重点优化了量化大语言模型在英特尔CPU上的推理性能，可将端到端延迟减少20%以上。此外，新版本还实验性地支持了用于Intel GPU的XCCL分布式后端，并增强了对SYCL的支持以及XPU设备的A16W4模式，这将为使用英特尔硬件的开发者提供更高效、更强大的AI计算能力。

![image.png](https://static.downly.cn/images/9d604e79561fd3d79bf0bd2892b21b47.png)

## 告别图形界面 Cursor CLI 将AI编程带入终端新时代

AI代码编辑器Cursor正式发布了其命令行界面（CLI）版本，让开发者能够直接在终端中利用强大的AI能力。通过Cursor CLI，开发者可以轻松完成代码生成、自动化脚本编写、文档更新和安全审查等任务。相比图形界面，CLI版本提供了更强的灵活性和可组合性，能够与现有的开发工作流无缝集成，进一步提升开发效率和代码管理的智能化水平。

![image.png](https://static.downly.cn/images/9813ec1223ad73de917ffcd0cd3e96e1.png)

## AI代理支付难题获解 Lava Payments融资打造“一键通付”钱包

初创公司Lava Payments在种子轮中成功融资580万美元，致力于解决当前AI代理支付碎片化的问题。该公司旨在通过一个统一的数字钱包和积分系统，让AI代理能够代表用户更顺畅地在互联网上进行交易。Lava Payments专注于为AI原生经济构建支付基础设施，其“一键通付”的愿景有望为AI代理的广泛应用扫清支付障碍。

![image.png](https://static.downly.cn/images/462d41e4672435bda254ebbcc842fa14.png)

## 1.7B轻量模型dots.ocr登场 挑战多语言文档解析极限

一款名为dots.ocr的1.7B参数轻量化多语言视觉-语言模型横空出世，在文档智能处理领域发起了新的挑战。该模型采用统一架构，实现了业界领先的文档布局检测和OCR能力，能够高效、精准地解析包括中、英文在内的100种语言的文本、表格和公式，并能正确处理阅读顺序。尽管在处理极端复杂的表格和图片内容上仍有提升空间，但它已为文档智能化处理提供了极具潜力的革新方案。

![image.png](https://static.downly.cn/images/074466d2816597050db08719a6cfd2d2.png)

## 亚马逊打造AI“模型超市” Bedrock平台主张“选择至上”

亚马逊云科技（AWS）正通过其Amazon Bedrock平台推行“选择大于一切”的战略，旨在打造全球最大的AI模型聚合平台。该平台不仅提供了如OpenAI的开源模型，还引入了Anthropic等业界顶尖公司的最新模型。AWS的目标是为企业提供多样化的模型选择，以满足不同业务场景的特定需求，并通过模型间的组合使用，实现“1+1>2”的效果，强力推动生成式AI应用的普及与发展。

![image.png](https://static.downly.cn/images/62072ea1779a47508aee5ab6de77c8aa.png)

## “脑腐”视频一键生成 OpenArt推出病毒式内容创作新工具

由前谷歌员工创立的AI初创公司OpenArt近日推出了一项新功能，旨在帮助内容创作者轻松制作在社交媒体上广为流传的“脑腐”（brainrot）风格视频。这类视频通常以快节奏、高信息密度和强烈的视觉冲击力为特点。OpenArt的新工具通过AI技术，实现了这类病毒式视频的一键生成，为创作者提供了一种全新的内容生产方式。

![image.png](https://static.downly.cn/images/d0da2ee3b84f0d40deffce54efab2586.png)

## NASA携手谷歌 为火星宇航员配备AI“随行医生”

为了保障未来前往火星的宇航员的健康，美国国家航空航天局（NASA）正与谷歌合作，共同打造一款先进的AI医疗助手。这款多模态工具集成了语音、文本和图像处理能力，运行在谷歌云的Vertex AI环境中。它能够帮助宇航员在漫长的太空旅行中进行健康监测和初步诊断，确保他们在远离地球的极端环境下也能获得可靠的医疗支持。

![image.png](https://static.downly.cn/images/8dccc3ddfe26475175561a4f9b6014dd.png)

搜索结果: 7B参数