센스타임, 단일 모델로 텍스트와 이미지를 동시 생성하는 'SenseNova U1' 오픈소스 공개

텍스트가 가득 들어간 인포그래픽이나 포스터를 AI로 만들려면 그동안 번거로운 파이프라인을 거쳐야 했습니다. 시각 인코더가 이미지를 읽고, 언어 모델이 추론한 뒤, 이미지 생성 모델이 다시 결과물을 그리는 식이라 중간 과정에서 글자가 뭉개지거나 배치가 망가지기 일쑤였습니다.

센스타임(SenseTime)은 4월 29일 이해와 추론, 이미지 생성을 단일 구조로 묶어낸 네이티브 통합 멀티모달 모델 'SenseNova U1'을 오픈소스로 공개했습니다.

중간 다리를 없애고 픽셀과 텍스트를 직결하다

기존 멀티모달 모델은 독립된 비전 인코더(VE)와 언어 백본을 어댑터로 이어 붙인 구조가 대부분이었습니다. 각 모듈이 따로 놀다 보니 정보를 주고받는 과정에서 오버헤드가 발생하고 시각적·의미적 손실이 컸습니다.

SenseNova U1은 지난 3월 발표된 자체 'NEO-Unify' 아키텍처를 기반으로 합니다. 비전 인코더는 물론 변분 오토인코더(VAE)까지 완전히 없애고, 픽셀과 텍스트를 단일 표현 공간에서 엔드투엔드로 통합 처리하도록 설계되었습니다.

이번에 공개된 모델은 경량화 라인업인 SenseNova U1 Lite 시리즈입니다. 덴스(Dense) 백본 기반의 U1-8B-MoT와 전문가 혼합(MoE) 구조의 U1-A3B-MoT 등 두 가지 형태로 배포되었습니다.

뛰어난 인포그래픽과 추론, 그러나 인물 질감의 한계

이 같은 네이티브 통합 덕분에 모델은 복잡한 레이아웃과 텍스트 처리에 강력한 면모를 보입니다. 복잡한 다중 패널 포스터나 중국어 텍스트가 빽빽한 주스 레시피 인포그래픽을 렌더링할 때 주요 상용 폐쇄형 모델 수준의 안정적인 레이아웃과 서체를 구현합니다.

특히 단 한 번의 호출로 설명 글과 이미지를 번갈아 자연스럽게 생성하는 '연속 텍스트-이미지 창작' 기능을 단일 아키텍처 모델로서는 처음 선보였습니다. 시각 퍼즐 풀이나 공간 이해 벤치마크에서도 Nano Banana, GPT image 2는 물론 Qwen 3.5, Google Gemma 4 등의 오픈 모델들을 앞섰습니다.

반면 뚜렷한 한계도 존재합니다. 실사 인물 사진을 생성할 때 피부 질감이 플라스틱처럼 다소 인위적으로 표현되는 경향이 있습니다. 실사 위주의 인물 이미지를 원한다면 Flux Klein이나 Zimage 같은 대안이 여전히 앞서 있습니다. 재킷 색상을 바꾸거나 표정을 수정하는 수준의 기본 편집 역시 다른 도구들과 차별화되는 장점이라 보기는 어렵습니다.

왜 중요한가

우리는 SenseNova U1이 개별 모델을 이어 붙이던 누더기식 멀티모달 파이프라인에서 벗어나는 유의미한 이정표를 세웠다고 평가합니다.

설명서, 카드뉴스, 교육 자료처럼 텍스트와 레이아웃이 핵심인 콘텐츠를 제작하는 개발자라면 지금 즉시 테스트해볼 만합니다. 여러 모델을 연쇄 호출하기 위해 작성해야 했던 복잡한 파이프라인 코드를 걷어내고, 8B 수준의 가벼운 단일 모델 하나로 끝낼 수 있기 때문입니다.

업계 관점에서도 8B급 경량 모델이 네이티브 통합 아키텍처만으로 대형 상용 모델에 버금가는 공간 추론과 그래픽 레이아웃 성능을 낼 수 있음을 입증했습니다. 인지, 추론, 행동 생성을 단일 두뇌로 묶는 방식은 향후 임바디드 AI(로봇 공학) 시스템 구축에도 중요한 기반 기술이 될 수 있습니다.

물론 인물 실사 묘사에서 드러난 질감 한계는 통합 표현 공간이 극단적인 픽셀 디테일까지 완벽히 장악하기엔 여전히 타협이 필요함을 보여줍니다. 하지만 군더더기 없는 파이프라인과 실용적인 인포그래픽 생성 능력만으로도 이 모델은 충분히 매력적인 선택지입니다.