斯坦伯格：AI的新瓶颈是注意力
商汤把视觉模型写成一套生成语言摘要商汤这次放出的 SenseNova-Vision，表面看是一篇多模态论文加一套开源仓库，更值得看的地方，是它把检测、OCR、分割、深度和几何任务往同一种生成式接口里收。对国内做视觉底座和 Agent 链路的团队来说，这更像一种接近产品栈的视觉写法：少一点专用头，多一点统一输入输出。开头视觉系统这些年最难啃的，往往是接口层怎么收拢。检测一套、分割一套、OCR 再单拉一条链路，看起来都能跑。可只要任务开始跨桌面、机器人、空间理解和工作流编排，系统就会被碎片接口拖慢。SenseNova-Vision 把矛头对准的正是这层结构：视觉能力能不能像语言能力一样，被写进同一种生成框架里。正文统一接口为什么会改写推理链路SenseNova-Vision 的关键动作，是把原来分散在不同模块里的视觉输出，改写成统一的文本、图像或混合结果。这样一来，检测框、关键点、OCR 文字、分割掩码、深度图和相机位姿，不必再各自维护一套预测头。 这件事为什么重要？因为视觉底座一旦统一输出格式，后面的工作流编排、工具调用和任务回退就会轻很多。对企业团队来说，接口统一往往比一两项榜单领先更值钱。它更像平台层改造，不是单点补丁传统 CV 系统喜欢按任务拆模块，再把结果交给上层业务去拼。统一视觉接口的路线反过来做：先收拢输入输出，再让上层任务围绕同一底座扩展。这样改的直接结果，是系统边界更稳定，后续扩展也更整齐。工程分叉压缩到了哪里只看论文标题，很容易把它当成又一篇“大一统”叙事。把话题从概念推到工程会上的，是仓库里已经公开的跨任务结果。它至少说明这条路已经跑出了一批可讨论的基准表现。先看这套写法压缩了哪些工程分叉：流程环节 旧做法 SenseNova-Vision 做法 直接影响流程链路 检测、OCR、关键点各管一摊 统一改写成可解析输出 推理接口更整齐稠密几何 分割、深度、法向走不同解码器 收到同一生成目标里 多任务复用更强组合任务 额外拼规则或级联模型 文本+图像混合响应 更适合 Agent 调度版本维护 多分支、多损失、多部署链 围绕单底座扩展 迭代成本更低
发布于 天津
分享
1
赞
未登录
友善发言
评论
加载中
