X平台疯传！这个国产开源模型，把信息图生成整明白了 | 附实测
今年4月底，GPT-Image 2一发布，瞬间点燃了信息图（Infographic）生成的热潮。从书籍摘要到商业报告，那些过去非得设计师出手才能搞定的复杂版面，现在AI批量产出了。“AI信息图”这词儿，最近在内容创作圈讨论热度居高不下。
但热潮背后有个现实问题：GPT-Image 2是闭源的，按Token计费，每百万输出Token要30美元。对有本地部署和二次开发需求的团队来说，它并不是一个能长期依赖的选项。
于是，“有没有可商用的开源替代方案”成了开发者社区的高频话题。就在这个节骨眼上，商汤科技在4月底开源的SenseNova U1，开始走进越来越多开发者的视野，在X平台引发了大量讨论。
SenseNova U1用了商汤自研的NEO-unify架构，直接把传统图像模型必备的VAE和视觉编码器给丢掉了——像素和文字被放入同一个表征空间原生建模。这意味着，模型不再“翻译”图像，而是同时用两种语言思考，从根源上解决了压缩带来的细节丢失和噪声问题。
Hugging Face中国开发者社区工作人员Adina Yakup评价说：“这一模型实现了纯粹的端到端像素-文字建模。”
在结构化版面、密集中英文混排、图文精准对齐这些任务上，SenseNova U1效果相当不错——而这些恰恰是开源生图模型的老大难。AI博主Rohan Paul评价它：“攻克了图像生成最难啃的骨头。”
成本是另一个亮点。这款模型采用Apache 2.0协议，支持商用，权重全开，单卡可跑。科技分析媒体Testing Catalog估算，其成本约为闭源方案的十分之一。开源不到一周，社区已经自发提供了GGUF量化权重，进一步降低了部署门槛。
持续高关注度下，近日商汤进一步开源了SenseNova-U1-8B-MoT-Infographic（信息图增强版），直接瞄准信息图这个高需求场景。和GPT-Image 2等主流闭源方案相比，它在成本、可部署性和二次开发空间上提供了截然不同的选择。
实际效果究竟怎么样？我们通过一轮实测，看看这款开源模型能交出怎样的答卷。
一、七大硬核任务实测：梳理老黄行程、直出海报与论文，高密度文字渲染已无明显破绽
开发者在X平台讨论SenseNova U1时，反复提到两个核心问题：文字渲染能不能稳？复杂版面能不能控？这正是信息图生成最本质的难点。我们把这两个问题放在最前面，先验证基础能力，再延伸到海报、学术文档等更多场景，最后和GPT-Image 2横向对比，看看两款模型的设计取向究竟有何不同。
（1）还原老黄“特种兵式”访华细节，梳理大模型演进时间线
第一个案例是最近很火的黄仁勋同款行程——老黄先到人民大会堂，在北京南锣鼓巷开启特种兵般的行程：吃炸酱面、喝豆汁儿、买蜜雪冰城，还尝了稻香村，随后开启台北之旅。
面对这个任务，SenseNova U1信息图增强版先把复杂行程完整拆解，然后按合适的方式安排布局。生成的信息图结构清晰，图文结合很符合场景，还配有生动形象的描述，现场感十足。
文字渲染方面，在这种高密度场景下，地点、餐品名称和细节都能准确呈现，整体可读性很强——这展现了模型在复杂版面中对文字的稳定控制力。
看完这个轻松的案例，我们又让它打造了一张“LLM Architectures 大语言模型架构演进”的横向知识图解。难点在于包含大量数据：如何在柱状图中调整110M到1.8T的悬殊比例？如何让表格内中英双语参数精准对齐？都是不小的挑战。
SenseNova U1信息图增强版完美渲染了我们提供的所有文字信息——从BERT到GPT-5，年代和参数规模一目了然，没有出现文字乱码。柱状图渲染的效果基本符合数据大小，还用箭头体现了模型之间的技术传承。
（2）生成音乐节与诗歌节海报，审美和准确度都在线
信息图还有一个常用场景：海报生成。相比知识图解对数据精度的严苛要求，海报更考验模型对视觉冲击力、排版美学的理解能力。
在音乐节海报任务中，我们要求生成一张以富士山为主要视觉元素的海报。结果：中央的富士山和舞台元素融合自然，下半部分演出阵容以网格状整齐排列，12组音乐人的英文名和时间清晰列出。整体信息层级按照大标题、日期、阵容的顺序展开，视觉引导流畅。
总体来看，SenseNova U1信息图增强版很好地还原了深夜音乐节的氛围。
在诗歌节海报任务中，我们在提示词里强调了“中间留白约占画面40%”和“呼吸感极强”。模型准确地理解了这些要求，没有为了追求视觉效果而塞入多余装饰，严格遵循了克制的原则。
它执行了深色衬线字体与米色纸张纹理的搭配，整体气质沉静，左下角竖排小字与右下角线描月亮的构图，精准捕捉到了东方留白诗意与现代排版的平衡感。这种对“少即是多”的理解能力在文生图中并不常见。
SenseNova U1信息图增强版在应对精准排版指令时展现了不错的执行力，生成的画面不仅好看，还能用于实际宣发场景。
（3）结构化文档生成，直出一页学术论文
最后，我们还考验了它在办公场景的应用。这类场景要求模型精准理解文档的常见格式要求，并准确渲染所有文字。
第一个案例是Q2业务回顾的演示文稿单页。SenseNova U1信息图增强版生成了深灰底、左侧竖排标题、右侧进度条的分栏结构，中英文副标题右对齐到位，进度条上“Revenue 128%”标注清晰，底部页码与公司名摆放工整。
处理这类商务页面时，模型对版面的留白控制得很舒适，没有多余的装饰元素干扰信息层级，重点数据一目了然。
第二个案例是生成高密度的论文页面。核心难度在于对复杂视觉元素与严谨逻辑关系的精确控制。提示词要求按照arXiv风格渲染，且要符合严格的学术排版规范（如斜体、加粗及专有名词标注）。最终，它准确输出了完整的页面排版，格式清晰、段落完整，复杂的数学公式也没有出现结构性错误——尤其在这种文字密度极高、格式复杂的情况下，整体呈现出可直接使用的完成度。
最后一个案例是难度拉满的高密度中文小字。下图是一家企业的品牌运营逻辑和市场表现全景解析，SenseNova U1信息图增强版不仅准确渲染了几乎所有中文小字，排版也清晰易读。
总体来看，SenseNova U1信息图增强版在信息图任务上展现了不错的版面控制力与复杂指令遵循能力——这让它有潜力成为内容创作与办公场景中的得力视觉工具。
二、与GPT-Image 2横向对比：两种不同的设计取向
X平台上有不少网友把SenseNova U1信息图增强版与GPT-Image 2放在一起讨论。我们也做了对照测试，看看两者在实际任务中究竟有何异同。
首个案例聚焦于当前火爆的分镜生成玩法——要求两个模型分别生成一段跑酷动作序列：在未完工的灰色混凝土建筑内，一名运动员以动作捕捉剪影的形式，完成精准跳跃、墙跑和落地翻滚等一系列连贯动作。
GPT-Image 2先交出了结果：
SenseNova U1信息图增强版随后完成：
从视觉质感与逼真度来看，GPT-Image 2生成的光影、材质、环境氛围很逼真，富有视觉冲击力。SenseNova U1信息图增强版则偏向概念化，强调动作路径和图形化表达。
从信息呈现与分镜实用性来说，SenseNova U1信息图增强版的生成结果专业且清晰——它将每个镜头细致拆解为：镜头语言（怎么拍）、动作（怎么做）、视觉特效（加什么特效）。拿到这个分镜脚本，基本可以开始制作了。而GPT-Image 2的结果看起来很酷、很科幻，但缺乏具体的制作指令。
在另一个信息图生成测试中，我们为两个模型输入了同一份复古航海图风格的提示词：要求生成一张横版信息图，以做旧纸张为基底，用虚线航线串联起从“创意萌芽”到“产品上市”的六个阶段岛屿，并标注风险暗礁、资源漩涡等危险标记。两者再次展现出不同的设计取向。
GPT-Image 2在航海图任务中延续了艺术化取向，较好地还原了做旧纸张纹理、手绘风格地标与古典装饰元素，整体沉浸感强；但细节繁复，字号较小，阅读效率不高。
SenseNova U1信息图增强版则选择弱化厚重纹理，视觉负担更轻，信息获取更直接——更契合商业图表的高效传递需求。
综合以上两个实测案例，两款模型在信息图生成领域的分化一目了然。
GPT-Image 2是“视觉派”
SenseNova U1信息图增强版则更像是“生产工具派”
三、回到开发者的问题：架构、部署与真实价值
实测结果回应了X平台上那些讨论的核心判断，但也带来了一些值得深挖的新问题：这款模型为什么能用8B参数做到这些？开发者真正部署时会遇到什么成本？它在哪些场景下是可靠的生产工具，在哪些场景下还需要谨慎？
作为一款仅有8B参数的大模型，尺寸并不是SenseNova U1系列模型唯一的特点。过去，多模态大模型长期受困于“理解”与“生成”的二分——通过视觉编码器（VE）看懂图像，再经由变分自编码器（VAE）生成图像，中间依靠适配器连接。这种拼接式架构就像一个“讲不同语言的工作组”，信息在模块间来回传递，损耗大，模型不得不靠堆参来弥补性能损失。
商汤科技发布SenseNova-U1系列模型，从根本上解决了这一难题——它采用自研的NEO-unify架构范式，在单一模型中原生统一了多模态理解、推理与生成，真正将图像与文本放到同一个表征空间中直接建模。
在此前发布的SenseNova-U1基础上，商汤专门强化了信息图增强版的能力。为避免通用理解能力在生成能力提升的过程中退化，商汤用高质量数据延长了MT训练阶段，在MT与SFT阶段优化了理解与生成任务的数据配比，在RL阶段进一步打磨了奖励设计。最终，增强版模型在信息图相关基准上实现了显著提升：在BizGenEval（Hard）任务中，较原版模型提升了6.8分；而在IGenBench的Q-ACC（问答准确率）测试里——该基准用于评估信息图是否同时满足文本、图表、数据与结构等多重要求——增强版较原版大幅跃升了18.2分。
统一架构还赋予了SenseNova U1信息图增强版更丰富的任务边界：它不只是一个生图工具，还可以完成多类型任务，让内容创作的整个链路都能在一个模型内闭环。
在上面的信息图、视觉理解任务中，SenseNova U1信息图增强版都展现出了扎实的实力。而更值得开发者关注的是，这份实力并非以高昂的算力或API调用成本为代价。
作为一款Apache 2.0协议全开源、支持商用的模型，SenseNova U1信息图增强版支持轻量化的本地部署。本次实测中我们选择了一张RTX 5880显卡（48GB显存），实际跑下来占用大概30多GB。我们还试着将显存调至24GB、8GB，结合虚拟显存后，这些配置也能成功跑出结果。在RTX 5880配置下，生成一张信息图（2048×2048，推理步数30）大约需要70秒。同时，GGUF量化后的模型适用于约10–12GB显存的消费级显卡。
这让SenseNova-U1系列模型具有极强的性价比。以GPT-Image 2为代表的主流闭源模型按Token计费，每百万输出Token高达30美元，生成一张高分辨率信息图的估算成本在0.005美元至0.4美元之间。单张调用似乎不贵，但日均生成上千张图像的团队，成本压力会迅速累积。相比之下，SenseNova-U1系列模型可在开发者自己的服务器上无限次运行——这种成本结构对团队而言高度可预测、边际成本极低。
结语：统一架构的想象力，远不止信息图
回到最初网友们讨论的焦点，实测给出了答案。SenseNova-U1系列模型的架构突破是真实的——NEO-Unify去掉VAE和视觉编码器之后，模型在信息层级理解和版面控制上确实获得了结构性的改善，而不只是基准分数的跃升。此外，它在信息图这一场景的细分能力也十分突出：在行程梳理、海报生成、学术文档等高密度场景中，它能交出可用的结果，绝非噱头。而开放的姿态和极低的部署成本，让这种能力不再只是实验室里的演示，而是真正有机会落地到开发者自己的产品和工作流中。
当然，极高密度文字场景下偶发的乱码、视觉质感与GPT-Image 2之间的差距，都还是它需要打磨的空间。但一个8B的开源模型，能把这场对话推进到这里，本身就已经说明了一件事：统一架构的想象力，远不止信息图。
