Em 20 de agosto, a SenseTime marcou a versão oficial do SenseNova-U1.5-8B-MoT no GitHub, com licença Apache 2.0, e os pesos foram publicados simultaneamente no Hugging Face e no ModelScope. Isso ocorre três semanas após a versão Preview de 31 de julho, e menos de quatro meses após a primeira vez que essa linha de produtos foi aberta (U1-8B-MoT, em 27 de abril deste ano).
A nova versão aposta em dois pontos principais: geração nativa de imagens em 4K e a integração de edição de imagem com controle preciso em um único modelo.
Um modelo, três formas de contar parâmetros
Primeiro, um detalhe que confunde facilmente. O nome do modelo traz 8B; o README do repositório acrescenta uma nota explicando que 8B-MoT se refere a cerca de 8 bilhões de parâmetros de compreensão mais cerca de 8 bilhões de parâmetros de geração; já o model card no Hugging Face lista uma escala de tensores de 18 bilhões, com precisão F32 e BF16.
Os três números estão corretos, apenas contam coisas diferentes. MoT é a sigla de Mixture of Transformers; nessa arquitetura da SenseTime, compreensão e geração seguem por torres separadas, alternando-se sobre a mesma sequência. Se a torre de compreensão e a de geração devem ser somadas, se apenas a escala ativada deve ser reportada, ou se devem ser listadas separadamente, ainda não há uma convenção do setor — cada empresa faz do seu jeito nas páginas de lançamento de modelos multimodais unificados.
Na prática, para os desenvolvedores isso significa que comparar esses modelos apenas pela contagem de parâmetros tem cada vez menos valor de referência. Para comparar de verdade, é preciso saber se cabem em uma única GPU, quanto tempo leva para gerar uma imagem em 4K e qual é o pico de uso de memória de vídeo. Esses itens a SenseTime não padronizou desta vez na página de lançamento.
Geração direta em 4K, e não upscaling posterior
A expressão 4K nativo precisa ser desmembrada. Atualmente existem dois caminhos comuns para chegar a 4K: um em que o modelo gera primeiro uma imagem em resolução mais baixa, que depois é passada a um modelo de upscaling para regenerar os detalhes; outro em que o próprio modelo de geração trabalha diretamente na resolução alvo.
A diferença entre os dois caminhos não está no número final de pixels, mas na consistência estrutural. No caminho do upscaling, a composição global já fica fixada na etapa de baixa resolução, e o upscaling só consegue completar detalhes — diante de texto denso, layouts complexos ou múltiplos sujeitos, é comum surgirem desalinhamentos durante a ampliação. Desta vez, a SenseTime incorporou o 4K diretamente na geração; a descrição oficial afirma que o modelo mantém “tanto a composição geral quanto texturas extremamente finas e detalhes microscópicos”, destacando ainda que a eficiência de geração em 4K melhorou nesta versão.
Das seis melhorias visíveis ao usuário listadas na página de lançamento, além do 4K, as outras cinco giram em torno da controlabilidade: composição, materiais e iluminação das imagens geradas mais próximos de fotos reais; a edição nativa de imagem preserva melhor a identidade do sujeito e a estrutura espacial; a legibilidade de texto em chinês e inglês, além de layouts complexos como infográficos e pôsteres, foi aprimorada; o seguimento de instruções complexas sobre quantidade de objetos e relações espaciais ficou mais estável; é possível usar caixas de detecção, marcações visuais e referências de múltiplas imagens para controle preciso.
Esse último item é particularmente útil para equipes que desenvolvem ferramentas de design. Usar caixas e marcações para indicar “mude aqui” é bem mais prático do que ajustar repetidamente prompts para descrever posições, além de ser mais fácil de integrar a interfaces de edição já existentes.
Limitações conhecidas expostas na página de lançamento
Na segunda metade do model card, uma seção lista cinco problemas ainda não resolvidos: detalhes tendem a ser exagerados, texto denso ainda pode apresentar erros, o desempenho é instável em layouts restritos, os detalhes de personagens são inconsistentes, e edições complexas podem causar deriva.
Nos materiais de lançamento de modelos de código aberto chineses, não é comum expor essa seção de forma proativa. Sua função vai além de transmitir honestidade. Esses cinco pontos são basicamente os desafios comuns atuais desse tipo de modelo; explicitá-los poupa uma rodada de tentativa e erro para quem usa o modelo, além de deixar uma base de comparação para versões futuras.
No mesmo período, também foi lançado o SenseNova-U1.5-8B-MoT-LoRA-8step, uma versão destilada em 8 passos com 0,4B de parâmetros, voltada a cenários sensíveis à latência. Somando isso à licença Apache 2.0 — que permite uso comercial e não tem cláusulas de contágio — e à disponibilização em três plataformas (GitHub, Hugging Face e ModelScope), este lançamento reduziu praticamente ao máximo as barreiras de acesso possíveis.
O que resta volta ao mesmo ponto de sempre: pesos abertos resolvem a questão de “conseguir ou não obter o modelo”, mas não resolvem se ele “roda ou não roda” na prática. Uma estrutura de duas torres de 8B mais 8B gerando 4K diretamente não vai ter baixo consumo de memória de vídeo; quantas equipes conseguirão usá-lo de fato continua dependendo de a GPU disponível ser suficiente ou não.
Fontes: repositório GitHub OpenSenseNova/SenseNova-U1, CocoLoop, model card do Hugging Face, IT Home