圖片由AI生成
商湯正式開源多模態(tài)自主推理模型SenseNova-MARS（8B/32B雙版本）。這是商湯首個支持動態(tài)視覺推理和圖文搜索深度融合的Agentic VLM模型，能自己規(guī)劃步驟、調(diào)用工具，搞定復(fù)雜任務(wù)，讓AI具備“執(zhí)行能力”。
在MMSearch、HR-MMSearch、FVQA、InfoSeek、SimpleVQA、LiveVQA等基準(zhǔn)測試中，SenseNova-MARS取得開源模型中的SOTA成績，超越了Gemini-3.0-Pro、GPT-5.2等頂級閉源模型，在搜索推理和視覺理解兩大領(lǐng)域領(lǐng)跑。
在MMSearch榜單（圖文搜索核心評測）中，模型以74.27分登頂，超過GPT-5.2（66.08分）；HR-MMSearch（高清細(xì)節(jié)搜索評測）中以54.43分領(lǐng)先，拉開與閉源模型的差距。圖片來源：SenseNova-MARS技術(shù)報告
簡單理解，該模型解決的問題有二：“查遍全網(wǎng)”的知識密集型任務(wù)，“火眼金睛”的細(xì)粒度視覺分析。
SenseNova-MARS能實實在在落地到我們生活和工作的場景，解決需要“多步驟推理+多工具協(xié)作”的問題。
市面上一些AI的工具調(diào)用，遇到需要“先放大細(xì)節(jié)、再識別物體、最后查背景”的復(fù)雜任務(wù)會束手無策。
而SenseNova-MARS能從產(chǎn)品和行業(yè)峰會的照片中，識別企業(yè)的標(biāo)志，快速搜集產(chǎn)品、企業(yè)的信息，以及時間、數(shù)量、參數(shù)等細(xì)節(jié)要素，輔助分析行業(yè)情況和格局。
圖片來源：SenseNova-MARS技術(shù)報告
同時，SenseNova-MARS能從賽事照片中識別畫面中的Logo、人物等信息，追溯比賽或人員背景信息，幫助補充重要細(xì)節(jié)。
圖片來源：SenseNova-MARS技術(shù)報告
擁有這種“自主思考+多工具協(xié)作”的能力，SenseNova-MARS能夠自動解決“細(xì)節(jié)識別 + 信息檢索 + 邏輯推理”復(fù)雜任務(wù)，實現(xiàn)工作效率提升。
之所以能夠?qū)崿F(xiàn)上述能力，SenseNova-MARS采用了“因材施教”的訓(xùn)練方法。
第一階段：打基礎(chǔ)。針對跨模態(tài)多跳搜索推理訓(xùn)練數(shù)據(jù)稀缺的痛點，提出了基于多模智能體的自動化數(shù)據(jù)合成引擎，采用細(xì)粒度視覺錨點 + 多跳深度關(guān)聯(lián)檢索的機(jī)制，動態(tài)挖掘并關(guān)聯(lián)跨網(wǎng)頁實體的邏輯，自動化構(gòu)建高復(fù)雜度的多跳推理鏈路，同時引入閉環(huán)自洽性校驗來去除幻覺數(shù)據(jù)，構(gòu)造出具備嚴(yán)密邏輯鏈條與高知識密度的多跳搜索問答數(shù)據(jù)。
用篩選的“高難度案例”做教材，每個案例都標(biāo)注了“該用什么工具、步驟是什么”，讓AI先學(xué)會基本的“破案邏輯”。這些案例都是從海量數(shù)據(jù)中挑出的“硬骨頭”，確保AI一開始就接觸真實復(fù)雜場景。
第二階段：練實戰(zhàn)。采用“強(qiáng)化學(xué)習(xí)”——就像偵探在一次次破案中積累經(jīng)驗，AI每做對一次決策（比如選對工具、步驟合理）就會獲得獎勵，做錯了就調(diào)整策略。為了避免AI“學(xué)偏”，研究團(tuán)隊還加了個“穩(wěn)定器”——BN-GSPO算法，讓它在處理簡單題和復(fù)雜題時都能保持穩(wěn)定進(jìn)步，不會出現(xiàn)“偏科”。
這種基于雙階段歸一化的優(yōu)雅機(jī)制，有效平滑了動態(tài)工具調(diào)用返回分布多樣性帶來的優(yōu)化波動并確保了學(xué)習(xí)信號分布的一致性，從而解決了跨模態(tài)多步多工具智能體訓(xùn)練過程中的收斂性難題。
經(jīng)過這樣的訓(xùn)練，AI不僅學(xué)會了用工具，更培養(yǎng)“工具使用直覺”——知道在什么情況下應(yīng)該使用哪些工具，以及如何將不同工具的結(jié)果有機(jī)結(jié)合起來。
商湯日日新SenseNova-MARS模型、代碼、數(shù)據(jù)集全開源，支持Hugging Face直接下載。（作者｜李程程，編輯｜李玉鵬）
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機(jī)號后發(fā)表評論