商汤科技开源多任务视觉模型 SenseNova-Vision-7B-MoT

商汤科技近日宣布，正式开源其多任务视觉模型 SenseNova-Vision-7B-MoT，为视觉理解及 GUI 智能体开发提供新的基座支撑。

该模型将目标检测、OCR（光学字符识别）、深度估计、法线估计、图像分割以及多视图处理等多种核心视觉任务，统一集成至一个 7B 参数规模的模型中。据商汤介绍，这一架构设计不仅提升了模型的通用性，还支持通过自然语言定义新的视觉任务变体，实现视觉能力在传统任务边界之外的灵活重组。

此次开源采取完全开放的策略。开发者除可获取模型权重外，还能获得包含 5000 万个样本的 SenseNova-Vision 语料库子集，以及一套用于处理剩余公开数据的完整复现工具包。

业内人士认为，SenseNova-Vision-7B-MoT 的发布并非简单的轻量化迭代，而是为视觉理解任务提供了更具扩展性的统一框架。目前，该模型的技术细节、代码仓库及演示空间已在 Hugging Face 和 GitHub 等平台上线。

项目地址：https://github.com/OpenSenseNova/SenseNova-Vision