80 億パラメータで画像を読み、4K で描く。Apache ライセンスで公開され、コミュニティは二日で動かした

センスタイムは 8 月 19 日、SenseNova-U1.5-8B-MoT の重みを Apache-2.0 ライセンスで Hugging Face に公開し、同日にファインチューン版、20 日に LoRA 一式を続けた。これはパイプラインではなく、単一のネイティブ マルチモーダル モデルである。画像を見るのと同じ 80 億パラメータが、画像を生成し編集もする。研究所はこの設計を NEO-unify と呼ぶ。リリース ノートは前版からの六つの具体的な改善を挙げる。構図と質感の向上、ポスターやインフォグラフィックでの中英文テキストの可読性、より効率的なネイティブ 4K 生成、触っていない部分を壊さない編集、物体数と空間関係を積み重ねた指示への追従、そして矩形と参照画像による細かな制御である。検証しやすいのはその後に起きたことだ。およそ四十八時間のうちに、コミュニティが GGUF と FP8 の変換、ONNX 書き出し、ComfyUI 用パッケージを出し、普通のデスクトップ環境で動くようになった。本体リポジトリはダウンロード約 950、いいね 91。参照コードは GitHub にあり、重みは ModelScope にもある。正直な限界を一つ。センスタイムはベンチマーク比較を表ではなく図として公開しており、独立した評価はまだない。順位に関する主張は研究所自身の言い分として読むべきだ。

✓ 検証済み · 4ソース

関連ニュース