SenseTime hat am 20. August auf GitHub die offizielle Version von SenseNova-U1.5-8B-MoT getaggt, Lizenz Apache 2.0, die Gewichte wurden zeitgleich auf Hugging Face und ModelScope veröffentlicht. Das sind drei Wochen nach der Preview-Version vom 31. Juli und keine vier Monate seit der ersten Open-Source-Veröffentlichung dieser Produktlinie (U1-8B-MoT am 27. April dieses Jahres).
Die neue Version setzt auf zwei Schwerpunkte: native 4K-Bilderzeugung sowie die Zusammenführung von Bildbearbeitung und präziser Steuerung in einem einzigen Modell.
Ein Modell, drei Parameterzahlen
Zunächst ein Punkt, der leicht verwirrt. Im Modellnamen steht 8B; die README des Repositorys ergänzt, dass 8B-MoT rund 8 Milliarden Verständnisparameter plus rund 8 Milliarden Generierungsparameter bedeutet; auf der Hugging-Face-Modellkarte wiederum wird eine Tensorgröße von 18 Milliarden angegeben, mit Präzision F32 und BF16.
Alle drei Zahlen stimmen, sie zählen nur unterschiedliche Dinge. MoT steht für Mixture of Transformers – bei dieser Architektur von SenseTime laufen Verständnis- und Generierungsteil als getrennte Türme, die abwechselnd auf derselben Sequenz arbeiten. Ob Verständnis- und Generierungs-Turm zusammengezählt, nur die aktive Parameterzahl angegeben oder ganz getrennt ausgewiesen werden sollten, dafür gibt es derzeit keine Branchenkonvention – jeder Anbieter handhabt das auf seiner Release-Seite für einheitliche multimodale Modelle anders.
Für Entwickler bedeutet das praktisch: Der Vergleich dieser Modelle allein anhand der Parameterzahl verliert an Aussagekraft. Wer wirklich vergleichen will, muss schauen, ob das Modell auf eine einzelne GPU passt, wie lange ein 4K-Bild dauert und wie hoch der Spitzen-VRAM-Verbrauch ist. Zu diesen Punkten liefert SenseTime auf der Release-Seite diesmal keine einheitlichen Angaben.
Direkte 4K-Generierung statt nachträglicher Hochskalierung
Der Begriff native 4K muss man aufschlüsseln. Aktuell gibt es zwei gängige Wege, ein Bild auf 4K zu bringen: Entweder erzeugt das Modell zuerst ein Bild mit niedrigerer Auflösung, das dann einem Upscaling-Modell zur Detailregenerierung übergeben wird, oder das generierende Modell arbeitet direkt in der Zielauflösung.
Der Unterschied zwischen beiden Wegen liegt nicht bei der finalen Pixelzahl, sondern bei der strukturellen Konsistenz. Beim Upscaling-Weg wird die Gesamtkomposition schon in der niedrig aufgelösten Phase festgelegt, das Upscaling kann nur noch Details ergänzen – bei dichtem Text, komplexen Layouts oder mehreren Motiven kommt es beim Hochskalieren leicht zu Verschiebungen. SenseTime hat 4K diesmal direkt in die Generierung integriert; die offizielle Formulierung lautet, man erhalte „sowohl die Gesamtkomposition als auch extrem feine Texturen und Mikrodetails“, und betont, dass die 4K-Generierungseffizienz in dieser Version gestiegen sei.
Von den sechs für Nutzer sichtbaren Verbesserungen auf der Release-Seite drehen sich neben 4K die übrigen fünf um Steuerbarkeit: Komposition, Materialien und Licht der generierten Bilder wirken realitätsnäher; die native Bildbearbeitung bewahrt Identität des Motivs und räumliche Struktur besser; die Lesbarkeit von chinesischem und englischem Text sowie komplexen Layouts wie Infografiken und Postern ist verbessert; komplexe Anweisungen zu Objektanzahl und räumlichen Beziehungen werden zuverlässiger befolgt; mit Erkennungsrahmen, visuellen Markierungen und Mehrbild-Referenzen ist präzise Steuerung möglich.
Der letzte Punkt ist besonders praktisch für Teams, die Design-Werkzeuge bauen. Mit Rahmen und Markierungen „hier ändern“ festzulegen, ist deutlich einfacher als wiederholtes Anpassen von Prompts zur Positionsbeschreibung, und lässt sich auch leichter in bestehende Editor-Oberflächen integrieren.
Bekannte Schwächen werden auf der Release-Seite offen benannt
In der zweiten Hälfte der Modellkarte listet ein Abschnitt fünf noch ungelöste Probleme auf: Details werden leicht überbetont, dichter Text ist weiterhin fehleranfällig, bei eingeschränkten Layouts ist das Verhalten instabil, Personendetails sind unstabil, bei komplexen Bearbeitungen kann es zu Drift kommen.
In Release-Materialien chinesischer Open-Source-Modelle ist es nicht üblich, einen solchen Abschnitt aktiv aufzuführen. Sein Zweck ist mehr als nur Ehrlichkeit zu demonstrieren. Diese fünf Punkte sind im Grunde die aktuellen gemeinsamen Herausforderungen dieser Modellklasse – sie zu benennen erspart nachgelagerten Nutzern eine Runde Trial-and-Error und liefert zugleich eine Vergleichsbasis für künftige Versionen.
Zeitgleich wurde auch SenseNova-U1.5-8B-MoT-LoRA-8step veröffentlicht, eine 0,4B große, in 8 Schritten destillierte Version für latenzkritische Szenarien. Zusammen mit der Apache-2.0-Lizenz – die kommerzielle Nutzung erlaubt und keine Copyleft-Klauseln enthält – sowie der Bereitstellung über GitHub, Hugging Face und ModelScope hat diese Veröffentlichung die Zugangshürden weitgehend gesenkt, soweit das möglich ist.
Das verbleibende Problem bleibt dasselbe wie immer: Offene Gewichte lösen die Frage, ob man das Modell bekommen kann – nicht die Frage, ob man es auch betreiben kann. Bei einer Doppel-Turm-Struktur aus 8B plus 8B, die direkt 4K erzeugt, bleibt der VRAM-Bedarf hoch. Wie viele Teams das Modell tatsächlich nutzen, entscheidet weiterhin, ob die eigene GPU dafür ausreicht.
Quellen: GitHub-Repository OpenSenseNova/SenseNova-U1, CocoLoop, Hugging-Face-Modellkarte, IT Home