商湯（SenseTime）は8月20日、GitHub上でSenseNova-U1.5-8B-MoTに正式版タグを付けた。ライセンスはApache 2.0で、重みはHugging FaceとModelScope（魔搭）にも同期済み。7月31日のプレビュー版から3週間、このシリーズ初のオープンソース化（今年4月27日のU1-8B-MoT）から4カ月足らずでの更新となる。
新版が打ち出すのは主に2点。ネイティブ4K画像生成と、画像編集・精密制御を同一モデルに統合したことだ。
1つのモデル、3通りのパラメータ表記
まず紛らわしい点から。モデル名には8Bと書かれている。リポジトリのREADMEには、「8B-MoT」は理解パラメータ約80億と生成パラメータ約80億を指すという注記がある。一方Hugging Faceのモデルカードに記載されたテンソル規模は180億、精度はF32とBF16となっている。
3つの数字はいずれも間違いではなく、数えている対象が違うだけだ。MoTはMixture of Transformersの略で、商湯のこのアーキテクチャは理解と生成をそれぞれ別の塔に分け、同じシーケンス上で交互に処理する。理解塔と生成塔を合算して数えるか、活性化規模だけを報告するか、あるいは別々に書くか——業界共通のルールはまだなく、統合マルチモーダルモデルの発表ページは各社ばらばらだ。
開発者にとって実務上の意味は、これらのモデルをパラメータ数だけで横並び比較する参考価値が下がりつつあるということだ。実際に比較するなら、1枚のカードに載るか、4K画像1枚の生成にどれだけ時間がかかるか、VRAMのピーク使用量はどの程度かを見る必要がある。今回の発表ページではこれらの統一的な数値は示されていない。
事後アップスケールではなく、直接4K生成
「ネイティブ4K」という表現は分解して見る必要がある。現在4K画像を作る一般的な経路は2つある。1つはモデルがまず低解像度の画像を生成し、それをアップスケールモデルに渡して細部を再生成する方法。もう1つは生成モデルが最初から目標解像度で直接作業する方法だ。
両者の違いは最終的なピクセル数ではなく、構造の一貫性にある。アップスケール方式では全体構図が低解像度の段階で確定してしまい、アップスケール工程は細部を補うだけになる。文字が密集していたり、レイアウトが複雑だったり、複数の被写体の関係が絡む場合、アップスケール時にずれが生じやすい。商湯は今回、4Kを生成そのものに組み込んだ。公式の表現では「全体構図と極めて精細な質感・微細なディテールの両立」を実現したとし、今回のバージョンでは4K生成の効率も向上したと強調している。
発表ページに挙げられたユーザーが体感できる6つの改善点のうち、4K以外の5つはいずれも制御性に関わるものだ。出力される構図・質感・光影が実写に近づいたこと、ネイティブ画像編集で被写体のアイデンティティと空間構造をより良く保持できること、中国語・英語のテキストレンダリングやインフォグラフィック・ポスターなど複雑なレイアウトの可読性が向上したこと、物体の数や空間関係といった複雑な指示への追従がより安定したこと、そして検出ボックス・視覚マーカー・複数画像参照による精密制御が可能になったことだ。
最後の項目はデザインツールを作るチームにとって特に実用的だ。ボックスやマーカーで「ここを変える」と指定する方が、位置を説明するためにプロンプトを何度も調整するより手間が省け、既存のエディタ画面にも組み込みやすい。
既知の欠陥をあえて発表ページに載せる
モデルカードの後半には、未解決の課題を5つ挙げたセクションがある。ディテールが過度に強調されやすいこと、密集した文字は依然として誤りが出ること、制約のあるレイアウトでは表現が不安定なこと、人物のディテールが安定しないこと、複雑な編集ではドリフトが生じることだ。
中国発のオープンソースモデルの発表資料で、このようなセクションを自ら設けるケースは多くない。その意味は単に誠実に見えるということだけではない。この5点は、この種のモデルが現状共通して抱える課題にほぼ重なっており、書き出しておくことで下流の開発者は試行錯誤の一巡を省け、後続バージョンにとっても比較可能な基準線になる。
同時にSenseNova-U1.5-8B-MoT-LoRA-8stepも公開された。0.4B規模の8ステップ蒸留版で、レイテンシに敏感な用途を想定している。商用利用を認め伝染性条項を持たないApache 2.0ライセンス、そしてGitHub・Hugging Face・ModelScopeの3カ所でのホスティングを合わせると、今回の発表で導入のハードルはほぼ下げ切った形だ。
残る課題は結局同じところに戻る。オープンな重みが解決するのは「入手できるか」であって、「動かせるか」ではない。8Bと8Bの2塔構造で4Kを直接出力する以上、VRAM消費が軽いはずはなく、どれだけのチームが実際に使うかを左右するのは、依然として手元の1枚のカードで足りるかどうかだ。
参考資料：CocoLoop、GitHubリポジトリ OpenSenseNova/SenseNova-U1、Hugging Faceモデルカード、IT之家。バージョンタグ、ライセンス、パラメータ表記、6つの改善点はリポジトリの説明とモデルカードに基づき一つずつ確認した。