商湯がオープンソースしたSenseNova-Vision統一ビジョン大モデル 単一モデルで4つの核心的なビジョンタスクを横断

商湯科技は「SenseNova-Vision」を正式にリリースし、全面的にオープンソース化しました。これは、商湯の「SenseNova」大規模モデルシステムにおける重要な視覚能力の向上です。商湯は、業界では従来、「統一視覚」とは検出、セグメンテーション、深度予測などの専門モデルをまとめたものであり、本質的には分断されたものでした。一方で、SenseNova-Visionの核心的な変革は、視覚を一般的な基礎モデルのネイティブな能力として、大規模モデル体系に完全に統合することです。

単一モデルが4つの主要分野を圧倒

多くの評価において、SenseNova-Visionは「単一モデル」で4つの主要な視覚分野で広範囲にわたってリードしており、各分野の専門的なエキスパートモデルと同等またはそれを上回っています。構造化された視覚理解においては、物体検出、指摘検出、OCR、キーポイントの位置特定などのタスクで一般的なモデルを全面的に上回り、密集した小規模オブジェクトの検出や長尾カテゴリの認識など複雑なシナリオでのパフォーマンスが特に優れています。密集した幾何学的予測においては、深度推定と表面法線推定の精度が幾何専門モデルと同等であり、屋内・屋外の多様なシナリオで高い安定性を維持しています。

セグメンテーションの能力は、一般的なセグメンテーション、推論セグメンテーション、インタラクティブセグメンテーションなどをカバーしています。マルチモーダル理解力の強さにより、推論セグメンテーションおよび対話型セグメンテーションでのパフォーマンスが特に驚きがあります。単一モデルだけで、高品質なマルチビュー点群再構築とカメラポーズ推定を実現でき、汎用視覚アプローチの中で性能がトップクラスです。

Vision Bananaを全面的に超える、データも同時にオープンソース化

横断的な比較では、意味指向モデルと比較して、SenseNova-Visionは検出、セグメンテーション、深度などの細かい要件が高い視覚タスクで全面的に優位です。生成指向モデルであるVision Bananaと比較すると、世代を超えた優位性を示しています。どの権威ある評価でも、ほとんどの指標で上回り、リードしています。Vision Bananaは4つの主要な分野のうち2つだけに対応できますが、SenseNova-Visionは構造化された理解、密集した幾何学、パンラジアルセグメンテーション、マルチビュー3Dなど、すべてのタスクをカバーします。