有种当年抢 Manus 的感觉了。。 只能在 Discord 里抢，运营会不定时放： https://discord.gg/BuTXPHmQub 抢到了之后在他们官网可以直接用： https://unify.light-ai.top/
有种当年抢 Manus 的感觉了。。 只能在 Discord 里抢，运营会不定时放： https://discord.gg/BuTXPHmQub 抢到了之后在他们官网可以直接用： https://unify.light-ai.top/
在他们的 discord 里会不定期放内测功能的内测码，我用了下还行，对图片风格的一致性保持的不错。 Discord 邀请链接： https://discord.gg/BuTXPHmQub 下面是图文交错的一些案例，最终结果完成度不错。文字有叙事节奏，图片有场景变化，两者配合得挺自然。 注意看——我只给了一句话，SenseNova U1 就自动搭出了完整的故事框架。它选了 4 个关键画面做图文交错生成，每个画面都自动生成了完整的生图指令，包括场景描述、角色设定、画面风格，一口气搞定。
日日新 - 商汤科技大模型平台 | SenseNova 2 个帖子 - 2 位参与者 阅读完整话题
sub2api 添加openai官方的codex， 已开启’允许 /v1/messages 调度’ claude code是正常的。 然后sub2api 添加了2个商汤的 https://token.sensenova.cn/v1 sub2api里发hi回复正常的。 claude code env使用 "env": { "ANTHROPIC_BASE_URL": "https://--.com", "ANTHROPIC_AUTH_TOKEN": "sk----", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "claude-opus-4-8[1m]", "ANTHROPIC_DEFAULT_SONNET_MODEL": "claude-opus-4-8[1m]", "ANTHROPIC_DEFAULT_OPUS_MODEL": "claude-opus-4-8[1m]", "CLAUDE_CODE_SUBAGENT_MODEL": "claude-opus-4-8", "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1", "CLAUDE_CODE_ATTRIBUTION_HEADER": "0" }, claude code 调用sub2api 端点会提示： ● There’s an issue with the selected model (claude-opus-4-7[1m]). It may not exist or you may not have access to it. Run /model to pick a different model. 有大佬遇到过这问题吗 1 个帖子 - 1 位参与者 阅读完整话题
话说这里面一定有很多故事，闫俊杰曾在商汤做副总裁，这之间发生了什么故事让他创业 4 个帖子 - 4 位参与者 阅读完整话题
首先感谢一下商汤日日新的免费 deepseek-v4-flash 模型。 看了下官方文档，"AI 工具接入"章节写了 Cursor、Cline、Claude Code 这些工具的接法，Claude Code 还专门提了用 cc-switch 接入。但翻遍文档，没看到 Codex 的接入说明。 按理说 cc-switch 3.16.0 加了 Codex Chat Completions Routing，能把 Codex 的 Responses 协议转成 Chat Completions，理论上 SenseNova 这种 OpenAI 兼容端点是能跑的，于是自己折腾了一下： cc-switch 里加自定义 Codex provider Base URL： https://token.sensenova.cn/v1 模型：deepseek-v4-flash 开"需要本地路由接管" 结果踩了俩坑： 提问之后就报错了：如下 {“error”:{“message”:“invalid tool_call_id”,“type”:“invalid_request_error”,“code”:“3”}}。 Codex 客户端模型选择列表是空的，/model 命令选不出来。 有没有大佬已经把 SenseNova 接进 Codex 跑通了？是 cc-switch 的配置姿势不对，还是这条路目前压根走不通要等修？ 7 个帖子 - 7 位参与者 阅读完整话题
上周我在 WaytoAGI 的共学直播里看到了商汤最新的 skills 包，体验了一下，感觉挺不错的，这里分享给佬友们哈 先放 repo： https://github.com/OpenSenseNova/SenseNova-Skills 这个 skills 包，一共有五个场景 1. 图片&可视化 sn-infographic：接入的是他们的 SenseNova U1 的开源模型，尤其是信息图（具体名字是 SenseNova U1-8B-MoT-Infographic ）可以把一个很粗糙的想法，直接做成信息图，先理解内容，再决定布局和视觉风格。这个模型我专门测过，效果和 Nano Banana 和 Image2 差不了多少 2. PPT 生成 打工人神器，里面两个小 skills sn-ppt-standard：做的是可编辑的商务 PPT sn-ppt-creative：做的是偏视觉化、整页设计感很强的 Presentation 有时候你需要的是后续还能编辑修改的 deck ；有时候你只是想快速做一个视觉冲击力强的展示页。 这俩其实根本不是一个任务。 3. 数据分析 Excel 工作流这块，比我预期里“工程化”很多。 它会根据表格行数自动选择处理方案： - 小文件：直接读取 - 中型文件：Parquet 缓存 - 大文件：流式分析 对于 10 万行以上的 Excel ，它不会直接 pd.read_excel() 全读进内存，而是改成 Streaming + Parquet 。 我有一部分业务是跨境电商，我会用这个 skills 帮我选品，大概流程是先用 1688 的插件拉到店铺销量的数据，这些数据我比较关心： 1. 哪些产品是真正卖得好的：是爆款驱动还是铺货型，如果这个店家的产品过于依赖某 1-2 个品，说明他的创新能力可能不够 2. 这个供应商的产品的价格区间都在哪：我会选择一个符合我成本范围的供应商来。因为这个价格段的产品通常是他们的优势产品。 3. 周度，月度的销量数据，如果他的销量波动太大，则可能是产能有问题，这时候如果我找他下单，则很可能出现延迟交货的情况把数据丢给 Agent ，能自动匹配到这个 skills ，然后给我分析出来我关心的点，我再决定要不要和这个工厂聊 3. Deep research 这个 skills 自定义了一套工作流，帮你深度调研某个领域，这个还没深度实验过，大概的流程是这样的： request.md -> plan.json -> sub_reports -> synthesis.md -> report.md 比较关键的是会创建一个 synthesis.md ，会强制 agent 在写报告之前先整合数据，标记不确定性 感觉要比 Claude 生成的内容更严谨一些 5. Search 它的搜索层是按信息源类型拆开的。 学术、代码、社交媒体、中文社交、英文社交、通用 Web 搜索，全部分开处理。 我觉得这是对的。 因为证据来源真的很重要。 GitHub Issue 和营销博客，本来就不应该有一样的权重。 最后放上他们现在还可以领的 token plan： https://www.sensenova.cn/token-plan （ 5 小时能调用 1500 次） 图文交错的邀请码在 Discord 里能领： https://discord.gg/BuTXPHmQub
上周我在 WaytoAGI 的共学直播里看到了商汤最新的 skills 包，体验了一下，感觉挺不错的，这里分享给佬友们哈 先放 repo： https://github.com/OpenSenseNova/SenseNova-Skills 这个 skills 包，一共有五个场景 1. 图片&可视化 sn-infographic：接入的是他们的 SenseNova U1 的开源模型，尤其是信息图（具体名字是 SenseNova U1-8B-MoT-Infographic ）可以把一个很粗糙的想法，直接做成信息图，先理解内容，再决定布局和视觉风格。这个模型我专门测过，效果和 Nano Banana 和 Image2 差不了多少 2. PPT 生成 打工人神器，里面两个小 skills sn-ppt-standard：做的是可编辑的商务 PPT sn-ppt-creative：做的是偏视觉化、整页设计感很强的 Presentation 有时候你需要的是后续还能编辑修改的 deck ；有时候你只是想快速做一个视觉冲击力强的展示页。 这俩其实根本不是一个任务。 3. 数据分析 Excel 工作流这块，比我预期里“工程化”很多。 它会根据表格行数自动选择处理方案： - 小文件：直接读取 - 中型文件：Parquet 缓存 - 大文件：流式分析 对于 10 万行以上的 Excel ，它不会直接 pd.read_excel() 全读进内存，而是改成 Streaming + Parquet 。 我有一部分业务是跨境电商，我会用这个 skills 帮我选品，大概流程是先用 1688 的插件拉到店铺销量的数据，这些数据我比较关心： 1. 哪些产品是真正卖得好的：是爆款驱动还是铺货型，如果这个店家的产品过于依赖某 1-2 个品，说明他的创新能力可能不够 2. 这个供应商的产品的价格区间都在哪：我会选择一个符合我成本范围的供应商来。因为这个价格段的产品通常是他们的优势产品。 3. 周度，月度的销量数据，如果他的销量波动太大，则可能是产能有问题，这时候如果我找他下单，则很可能出现延迟交货的情况把数据丢给 Agent ，能自动匹配到这个 skills ，然后给我分析出来我关心的点，我再决定要不要和这个工厂聊 3. Deep research 这个 skills 自定义了一套工作流，帮你深度调研某个领域，这个还没深度实验过，大概的流程是这样的： request.md -> plan.json -> sub_reports -> synthesis.md -> report.md 比较关键的是会创建一个 synthesis.md ，会强制 agent 在写报告之前先整合数据，标记不确定性 感觉要比 Claude 生成的内容更严谨一些 5. Search 它的搜索层是按信息源类型拆开的。 学术、代码、社交媒体、中文社交、英文社交、通用 Web 搜索，全部分开处理。 我觉得这是对的。 因为证据来源真的很重要。 GitHub Issue 和营销博客，本来就不应该有一样的权重。 最后放上他们现在还可以领的 token plan： https://www.sensenova.cn/token-plan （ 5 小时能调用 1500 次） 图文交错的邀请码在 Discord 里能领： https://discord.gg/BuTXPHmQub
上周我在 WaytoAGI 的共学直播里看到了商汤最新的 skills 包，体验了一下，感觉挺不错的，这里分享给佬友们哈 先放 repo： https://github.com/OpenSenseNova/SenseNova-Skills 这个 skills 包，一共有五个场景 1. 图片&可视化 sn-infographic：接入的是他们的 SenseNova U1 的开源模型，尤其是信息图（具体名字是 SenseNova U1-8B-MoT-Infographic ）可以把一个很粗糙的想法，直接做成信息图，先理解内容，再决定布局和视觉风格。这个模型我专门测过，效果和 Nano Banana 和 Image2 差不了多少 2. PPT 生成 打工人神器，里面两个小 skills sn-ppt-standard：做的是可编辑的商务 PPT sn-ppt-creative：做的是偏视觉化、整页设计感很强的 Presentation 有时候你需要的是后续还能编辑修改的 deck ；有时候你只是想快速做一个视觉冲击力强的展示页。 这俩其实根本不是一个任务。 3. 数据分析 Excel 工作流这块，比我预期里“工程化”很多。 它会根据表格行数自动选择处理方案： - 小文件：直接读取 - 中型文件：Parquet 缓存 - 大文件：流式分析 对于 10 万行以上的 Excel ，它不会直接 pd.read_excel() 全读进内存，而是改成 Streaming + Parquet 。 我有一部分业务是跨境电商，我会用这个 skills 帮我选品，大概流程是先用 1688 的插件拉到店铺销量的数据，这些数据我比较关心： 1. 哪些产品是真正卖得好的：是爆款驱动还是铺货型，如果这个店家的产品过于依赖某 1-2 个品，说明他的创新能力可能不够 2. 这个供应商的产品的价格区间都在哪：我会选择一个符合我成本范围的供应商来。因为这个价格段的产品通常是他们的优势产品。 3. 周度，月度的销量数据，如果他的销量波动太大，则可能是产能有问题，这时候如果我找他下单，则很可能出现延迟交货的情况把数据丢给 Agent ，能自动匹配到这个 skills ，然后给我分析出来我关心的点，我再决定要不要和这个工厂聊 3. Deep research 这个 skills 自定义了一套工作流，帮你深度调研某个领域，这个还没深度实验过，大概的流程是这样的： request.md -> plan.json -> sub_reports -> synthesis.md -> report.md 比较关键的是会创建一个 synthesis.md ，会强制 agent 在写报告之前先整合数据，标记不确定性 感觉要比 Claude 生成的内容更严谨一些 5. Search 它的搜索层是按信息源类型拆开的。 学术、代码、社交媒体、中文社交、英文社交、通用 Web 搜索，全部分开处理。 我觉得这是对的。 因为证据来源真的很重要。 GitHub Issue 和营销博客，本来就不应该有一样的权重。 最后放上他们现在还可以领的 token plan： https://www.sensenova.cn/token-plan （ 5 小时能调用 1500 次） 图文交错的邀请码在 Discord 里能领： https://discord.gg/BuTXPHmQub
token plan公测免费，支持模型 SenseNova 6.7 Flash-Lite 与 SenseNova U1 Fast，赶紧冲 https://www.sensenova.cn/token-plan 3 个帖子 - 3 位参与者 阅读完整话题
之前刷推老看见有KOL在转发他们的产品，这次技术报告一出来，还挺有意思的 先放架构图： 熟悉文生图模型的老友们都知道，过去的模型都是先将像素的RGB数值转化为向量，放在潜空间里（VAE层） 这次他们的统一架构NEO-Unify完全摒弃了这个做法，采取的是像素输入，像素输出，让模型直接理解图片，而不是一堆潜空间里的数据 在训练数据上，理解类和生成类数据分别用了： 理解类数据 预训练混合比例： 包含图文对 (32%)、纯文本 (37%)、详细描述 (17%) 以及信息图表 (14%)。 中期训练： 采用 SenseNova V6.5 数据集，并通过多维度过滤（采样平衡 + 提示词增强 + 模型自动化评分）进行精炼。 生成类数据 VLM 重标注 (Re-captioning)： 所有图像（涵盖自然、设计、人像、合成类）都去重和 VLM 重标注流水线，确保文本与像素之间的语义对齐 交错逻辑： 数据分布包括生活方式 (44%)、信息图表 (29%) 和推理 (8%) 生成式 CoT (思维链)： 每一个推理样本都包含思维链过程，在渲染像素之前，先教会模型理解场景背后的逻辑。 过去我们觉得 VAE 导致的文字模糊和纹理丢失是“必要代价”，但 U1 证明了： 只要架构选得对，原生 像素 生成比潜空间（Latent Space）更强。同时在训练方法上，也和其他传统的扩散模型不太一样： 核心方法： 无 VAE 视觉接口（VAE-Free Visual Interface）： 采用 2 层卷积实现 32 倍的图像压缩编码，并使用 MLP（多层感知机）头部直接预测像素。引入了动态噪声缩放（DNS）技术，确保从 512px 到 2048px 分辨率下的信噪比（SNR）保持一致。 原生 MoT（Mixture-of-Transformers）： 构建了一个统一的主干网络，使理解与生成流共享自注意力层（Self-Attention），但使用解耦的 FFN（前馈网络）和 Norm（归一化）层，并根据 Token 类型进行动态路由。 联合训练与部署： 通过结合自回归（Auto-regressive） 和 流匹配（Flow Matching）损失函数进行优化。模型经历了从预热（Warm-up）、指令微调（SFT）到 8 步蒸馏（8-step Distillation）的 6 阶段训练流水线。部署方面，利用 LightLLM/LightX2V 实现了独立并行调度。 最后放上他们现在可以免费领的token plan： https://www.sensenova.cn/token-plan （每 5 小时 1500 次免费调用，Token 消耗比别的模型低 60%） 一些ShowCase： 原文： SenseNova-U1/docs/pdf/SenseNOVA_U1.pdf at main · OpenSenseNova/SenseNova-U1 · GitHub 3 个帖子 - 3 位参与者 阅读完整话题
之前刷推老看见有 KOL 在转发他们的产品，这次技术报告一出来，还挺有意思的 原文： https://github.com/OpenSenseNova/SenseNova-U1/blob/main/docs/pdf/SenseNOVA_U1.pdf 先放架构图： 熟悉文生图模型的老友们都知道，过去的模型都是先将像素的 RGB 数值转化为向量，放在潜空间里（ VAE 层） 这次他们的统一架构 NEO-Unify 完全摒弃了这个做法，采取的是像素输入，像素输出，让模型直接理解图片，而不是一堆潜空间里的数据 在训练数据上，理解类和生成类数据分别用了： 1. 理解类数据 - 预训练混合比例： 包含图文对 (32%)、纯文本 (37%)、详细描述 (17%) 以及信息图表 (14%)。 - 中期训练： 采用 SenseNova V6.5 数据集，并通过多维度过滤（采样平衡 + 提示词增强 + 模型自动化评分）进行精炼。 2. 生成类数据 - VLM 重标注 (Re-captioning)： 所有图像（涵盖自然、设计、人像、合成类）都去重和 VLM 重标注流水线，确保文本与像素之间的语义对齐 - 交错逻辑： 数据分布包括生活方式 (44%)、信息图表 (29%) 和推理 (8%) - 生成式 CoT (思维链)： 每一个推理样本都包含思维链过程，在渲染像素之前，先教会模型理解场景背后的逻辑。 过去我们觉得 VAE 导致的文字模糊和纹理丢失是“必要代价”，但 U1 证明了：只要架构选得对，原生像素生成比潜空间（ Latent Space ）更强。同时在训练方法上，也和其他传统的扩散模型不太一样： 核心方法： - 无 VAE 视觉接口（ VAE-Free Visual Interface ）： 采用 2 层卷积实现 32 倍的图像压缩编码，并使用 MLP （多层感知机）头部直接预测像素。引入了动态噪声缩放（ DNS ）技术，确保从 512px 到 2048px 分辨率下的信噪比（ SNR ）保持一致。 - 原生 MoT （ Mixture-of-Transformers ）： 构建了一个统一的主干网络，使理解与生成流共享自注意力层（ Self-Attention ），但使用解耦的 FFN （前馈网络）和 Norm （归一化）层，并根据 Token 类型进行动态路由。 - 联合训练与部署： 通过结合自回归（ Auto-regressive ）和流匹配（ Flow Matching ）损失函数进行优化。模型经历了从预热（ Warm-up ）、指令微调（ SFT ）到 8 步蒸馏（ 8-step Distillation ）的 6 阶段训练流水线。部署方面，利用 LightLLM/LightX2V 实现了独立并行调度。 最后放上他们现在可以免费领的 token plan： https://www.sensenova.cn/token-plan （每 5 小时 1500 次免费调用，Token 消耗比别的模型低 60%） 一些 ShowCase：
商汤免费领 Token Plan(1500 次/5 小时) https://www.sensenova.cn/token-plan
商汤免费领 Token Plan(1500 次/5 小时) https://www.sensenova.cn/token-plan
商汤免费领 Token Plan(1500 次/5 小时) https://www.sensenova.cn/token-plan
商汤免费领 Token Plan(1500 次/5 小时) https://www.sensenova.cn/token-plan
日日新 SenseNova 日日新 SenseNova - 商汤大模型 商汤日日新大模型，原生多模态，突破技术边界 5 个帖子 - 4 位参与者 阅读完整话题
商汤科技也做 Token Plan 了，公测期间新模型免费体验，每 5 小时可以使用 1500次。 根据商汤官方发布的消息，本次总共发布两款模型，SenseNova 6.7 Flash-Lite 以及 SenseNova U1 Fast。Flash 模型属于面向工作流的多模态智能模型，可以支持文本对话与图像理解，而U1 模型则主要是专供信息图生成。 目前处于公测阶段，所有模型可以免费体验。 目前支持三款模型，除商汤自家模型外还支持 DeepSeek V4 Flash。 6 个帖子 - 5 位参与者 阅读完整话题
IT之家 5 月 8 日消息，商汤科技今日宣布，推出新一代轻量化多模态智能体模型商汤日日新 SenseNova 6.7 Flash-Lite。 同时，SenseNova Token Plan 限时免费开放，全线办公技能 SenseNova-Skills 同步在 GitHub 开源。 官方表示，SenseNova 6.7 Flash-Lite 专为“真实世界工作流”而生，采用原生多模态架构，能够像人类一样，能直接“看懂”复杂的网页布局、文档结构与财务图表，实现“看、想、做”一体化，可大幅提升数据分析、深度调研、PPT 生成等长链路复杂任务的成功率。 同时在取消了视觉转文本中间层后，它能以更小的参数量，实现智能体能力的跨越式提升，在权威智能体基准测试中取得同级别多项 SOTA。 它还可大幅降低推理过程中的 Token 消耗，在信息搜索等场景中 Token 消耗对比纯文本智能体直降 60%。 并可实现毫秒级反馈，更符合高频互动的生产环境需求。 此外，商汤正式发布了 SenseNova Token Plan，并同步开启 Token Plan 限时免费活动 。开发者首月可享受每 5 小时刷新 1500 次调用额度的无门槛调用配额，未来还将推出 Lite、Pro 等更多档位。 此外，商汤已将日日新 SenseNova 系列模型的核心能力封装为 SenseNova-Skills，并在 GitHub 开源。 IT之家附相关链接如下： SenseNova Skills 开源链接 ： https://github.com/OpenSenseNova/SenseNova-Skills/ SenseNova 6.7 Flash-Lite 技术详情 ： https://github.com/OpenSenseNova/SenseNova6.7