SenseTime memberi label versi resmi pada SenseNova-U1.5-8B-MoT di GitHub pada 20 Agustus, dengan lisensi Apache 2.0, sementara bobot modelnya juga diunggah serentak ke Hugging Face dan ModelScope. Jaraknya hanya tiga minggu dari versi Preview yang dirilis 31 Juli, dan kurang dari empat bulan sejak lini produk ini pertama kali open source lewat U1-8B-MoT pada 27 April tahun ini.
Versi baru ini mengusung dua hal utama: menghasilkan gambar 4K secara native, serta menggabungkan penyuntingan gambar dan kontrol presisi ke dalam satu model.
Satu Model, Tiga Cara Hitung Parameter
Ada satu hal yang mudah bikin bingung. Nama modelnya tertulis 8B; README repositori menambahkan catatan bahwa 8B-MoT berarti sekitar 8 miliar parameter pemahaman ditambah sekitar 8 miliar parameter generasi; sementara model card di Hugging Face mencantumkan ukuran tensor sebesar 18 miliar, dengan presisi F32 dan BF16.
Ketiga angka itu sama-sama benar, hanya saja menghitung hal yang berbeda. MoT adalah singkatan dari Mixture of Transformers, arsitektur SenseTime yang memisahkan menara pemahaman dan menara generasi, keduanya bekerja bergantian pada urutan yang sama. Apakah menara pemahaman dan generasi harus dihitung gabungan, hanya dilaporkan berdasarkan skala aktivasi, atau dipisah begitu saja, sampai sekarang belum ada konvensi industri yang baku — setiap perusahaan menulis dengan caranya sendiri di halaman rilis model AI multimodal terpadu mereka.
Dampak nyatanya bagi developer: membandingkan model-model ini hanya berdasarkan jumlah parameter jadi semakin kurang bermakna. Perbandingan yang sebenarnya penting adalah apakah modelnya muat di satu GPU, berapa lama waktu untuk menghasilkan satu gambar 4K, dan seberapa tinggi puncak penggunaan VRAM-nya. Untuk angka-angka ini, SenseTime tidak memberikan patokan yang seragam di halaman rilisnya kali ini.
4K Langsung Dihasilkan, Bukan Diperbesar Belakangan
Istilah 4K native ini perlu diurai. Saat ini ada dua jalur umum untuk menghasilkan gambar 4K: pertama, model menghasilkan gambar beresolusi lebih rendah dahulu, lalu diserahkan ke model upscaling untuk membuat ulang detailnya; kedua, model generasi langsung bekerja pada resolusi target.
Perbedaan kedua jalur ini bukan pada jumlah piksel akhirnya, melainkan pada konsistensi struktur. Pada jalur upscaling, komposisi keseluruhan sudah terkunci sejak tahap resolusi rendah, sehingga proses pembesaran hanya bisa menambal detail — begitu menghadapi teks padat, tata letak kompleks, atau relasi antar-banyak subjek, gambar rawan bergeser saat diperbesar. Kali ini SenseTime memasukkan 4K langsung ke dalam proses generasi itu sendiri, dengan klaim resmi bahwa hasilnya “mempertahankan komposisi keseluruhan sekaligus tekstur sangat halus dan detail mikro”, sambil menekankan efisiensi generasi 4K pada versi ini meningkat.
Halaman rilis mencantumkan enam peningkatan yang bisa dirasakan pengguna. Selain 4K, lima lainnya berputar di sekitar kontrol: komposisi, tekstur, dan pencahayaan gambar yang dihasilkan lebih mendekati hasil foto asli; penyuntingan gambar native yang lebih baik dalam mempertahankan identitas subjek dan struktur spasial; keterbacaan rendering teks Mandarin-Inggris serta tata letak kompleks seperti infografis dan poster yang meningkat; kepatuhan terhadap instruksi kompleks seperti jumlah objek dan relasi spasial yang lebih stabil; serta kemampuan kontrol presisi menggunakan kotak deteksi, penanda visual, dan referensi multi-gambar.
Fitur terakhir ini cukup berguna bagi tim yang mengembangkan alat desain. Menandai “ubah di sini” dengan kotak dan penanda jauh lebih praktis dibanding berulang kali menyesuaikan prompt untuk mendeskripsikan posisi, dan juga lebih mudah diintegrasikan ke antarmuka editor yang sudah ada.
Menuliskan Kelemahan yang Diketahui di Halaman Rilis
Di bagian akhir model card, ada satu bagian yang mencantumkan lima masalah yang belum terselesaikan: detail cenderung terlalu ditekankan secara berlebihan, teks padat masih bisa salah, performa tidak stabil pada tata letak yang dibatasi, detail figur manusia belum stabil, dan penyuntingan kompleks bisa menyebabkan pergeseran (drift).
Di materi rilis model open source buatan Tiongkok, tidak banyak yang secara proaktif mencantumkan bagian seperti ini. Fungsinya bukan sekadar terlihat jujur. Kelima masalah ini pada dasarnya adalah tantangan bersama yang dihadapi model-model sejenis saat ini — menuliskannya berarti menghemat satu putaran trial-and-error bagi pengguna hilir, sekaligus meninggalkan garis dasar (baseline) untuk dibandingkan pada versi-versi berikutnya.
Bersamaan dengan itu, SenseTime juga merilis SenseNova-U1.5-8B-MoT-LoRA-8step, versi distilasi 8 langkah berskala 0,4B yang ditujukan untuk skenario yang sensitif terhadap latensi. Ditambah lisensi Apache 2.0 — yang mengizinkan penggunaan komersial dan tidak memiliki klausul copyleft menular — serta hosting di tiga tempat sekaligus, GitHub, Hugging Face, dan ModelScope, rilis kali ini praktis sudah menurunkan semua hambatan akses yang bisa diturunkan.
Masalah yang tersisa kembali ke titik lama: bobot open source menyelesaikan soal “bisa didapat atau tidak”, bukan soal “bisa dijalankan atau tidak”. Struktur dua menara 8B plus 8B yang langsung menghasilkan gambar 4K tidak akan ringan dalam penggunaan VRAM-nya. Yang akhirnya menentukan seberapa banyak tim yang benar-benar memakainya tetap saja: apakah satu GPU saja sudah cukup.
Sumber: CocoLoop, repositori GitHub OpenSenseNova/SenseNova-U1, model card Hugging Face, ITHome; label versi, lisensi, cara hitung parameter, dan enam peningkatan telah diverifikasi satu per satu berdasarkan deskripsi repositori dan model card.