SenseNova 開源 U1.5-8B：不用 VAE 解碼，直接在畫素空間出 4K 圖

SenseNova-U1.5-8B-MoT 是一個剛開源的原生統一多模態模型，能幫你直接生成原生 4K 高解析度影像，或者用自然語言精準修改已有圖片。

它最核心的技術變化，是完全拋棄了大家常用的潛空間和 VAE 編解碼器架構。

跳過 VAE，直接在畫素空間作畫

現在絕大多數影像生成模型，走的大多是同一個套路：先把影像壓縮排低維度的潛空間（Latent Space）裡生成，最後再用變分自編碼器（VAE）把它解碼還原成畫素圖片。這樣跑起來確實省算力，但也經常會因為解碼過程丟掉細節或產生模糊偽影。

SenseNova-U1.5-8B-MoT 則是基於 NEO-unify 架構，直接在畫素空間（Pixel Space）裡端到端生成圖片。它增強了 patchify 層與資料分佈，不僅繞過了額外的編碼和解碼環節，還能穩定輸出原生 4K 解析度的畫面。

在生成質量上，它主打逼真的照片感、光影層次和中英文文字渲染。海報、資訊圖這種文字密集的複雜設計，模型能夠理清版式層級，減少文字崩壞的情況。

除了文生圖，它還支援可靠的原生影像編輯。你可以像用聊天工具一樣，用自然語言讓它換掉畫面裡的外套顏色、修改海報文字、刪除或替換某個特定物體，甚至支援輸入多張參考圖進行跨圖編輯。如果你在原圖上畫框做標註，它也能識別並只修改指定區域，儘量不破壞原圖的構圖、光影和人物長相。

部署門檻和當前侷限

這個模型基於 Apache 2.0 協議開源，程式碼放在 GitHub 的 OpenSenseNova/SenseNova-U1 倉庫，權重則釋出在 Hugging Face 上。

上游開發環境建議使用 Python 3.11、PyTorch 2.8 和 CUDA 12.8，支援 FlashAttention 配置。你可以直接克隆倉庫，通過 uv sync 安裝依賴後，用官方提供的指令碼跑文生圖與影像編輯測試。

不過，要在本地跑起來成本並不低。整個模型權重檔案大概有 50GB，必須搭配高階顯示卡才能帶得動。官方表示後續可能會推出量化和壓縮版本，降低視訊記憶體門檻。

官方也在文件中坦白了一些現階段的問題。例如某些提示詞可能會導致畫面細節過密或色彩過飽和，需要調低 cfg_scale 來緩解；遇到特別密集的小字號文字，依然可能會拼錯；小尺寸人臉、手部和肢體結構偶有不穩定；面對大範圍或多輪複雜編輯時，主體一致性也可能發生偏移。

為什麼重要

如果你是從事視覺設計、海報排版的創作者，或者在研究多模態端到端生成的開發者，這個模型很值得拉下來跑跑看。它把中英文文字渲染和自然語言區域性編輯做到了同一個模型裡，比起拼裝幾個工作流去改字改圖要省事很多。

更關鍵的是，它證明了不用潛空間壓縮、直接在畫素空間端到端做 4K 生成這條路在開源領域走得通。雖然 50GB 的體量把大多數普通個人電腦擋在了門外，但只要社群跟進完成量化適配，這種不依賴 VAE 的畫素級控制能力，很可能會成為開源影像生成工具的新標配。