智東西（公眾號(hào)：zhidxcom）
作者 | ZeR0
編輯 | 漠影
國(guó)產(chǎn)大模型，給人形機(jī)器人裝上大腦、眼睛、耳朵和嘴巴了！
這位傅利葉通用人形機(jī)器人GRx，立即辨認(rèn)出“水”和“可樂(lè)”，還能根據(jù)說(shuō)話人提出的“想減肥+愛(ài)運(yùn)動(dòng)”需求，給出適合的建議。
讓它夸人，也是張口就來(lái)。
另一位具身智能機(jī)器人“飛燕”，能娓娓道來(lái)地描述眼前的場(chǎng)景，包括室內(nèi)環(huán)境如何、人們?cè)谧鍪裁础?/p>
這意味著以后機(jī)器人迎賓或當(dāng)解說(shuō)員，不再是站樁上崗了，而是活人感滿滿，更自如地跟人侃天侃地聊周?chē)€能察覺(jué)眼前人的心情，通過(guò)改變語(yǔ)氣和音調(diào)給足情緒價(jià)值。
這些多模態(tài)能力，來(lái)自商湯剛剛發(fā)布的新一代「日日新SenseNova V6」大模型。
今天，「日日新SenseNova V6」火力全開(kāi)，實(shí)現(xiàn)「長(zhǎng)思維鏈 x 數(shù)理能力 x 推理能力 x 全局記憶」能力升級(jí)，包括最長(zhǎng)64K思維鏈、大幅領(lǐng)先GPT-4o的數(shù)據(jù)分析能力、多模態(tài)深度推理國(guó)內(nèi)第一、10分鐘長(zhǎng)視頻理解及深度推理等強(qiáng)項(xiàng)，還展示了將先進(jìn)視覺(jué)交互和理解引入機(jī)器人的應(yīng)用效果。
商湯這次多模態(tài)能力的升級(jí)，讓人形機(jī)器人在視覺(jué)和語(yǔ)言能力上，具備了更趨近人的水平。
當(dāng)智東西問(wèn)到是否會(huì)推動(dòng)大模型加速應(yīng)用到具身智能機(jī)器人，商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事及人工智能基礎(chǔ)設(shè)施和大模型首席科學(xué)家林達(dá)華干脆利落地回答：“這個(gè)肯定會(huì)去做。”
林達(dá)華說(shuō)，商湯將“如何將機(jī)器人交互能力與具身智能的結(jié)合”視作一個(gè)非常重要的未來(lái)發(fā)展方向。他認(rèn)為最終的AI交互形態(tài)是像人一樣交互，不會(huì)是對(duì)著一個(gè)電腦窗口，屆時(shí)從機(jī)器人、汽車(chē)到手機(jī)、眼鏡，多模態(tài)交互將無(wú)處不在。
除了當(dāng)導(dǎo)游、講解員，「日日新SenseNova V6」也能玩創(chuàng)意，智東西實(shí)測(cè)了讓它給空白梗圖設(shè)計(jì)對(duì)話，腦洞開(kāi)得既多又大。
它還能速覽中長(zhǎng)分鐘視頻，總結(jié)重點(diǎn)內(nèi)容，精確到視頻里的幾分幾秒，而且能按照用戶要求，將信息按列表形式輸出，或是剪輯指定場(chǎng)景的視頻片段。
只需在商量網(wǎng)頁(yè)版上傳一個(gè)視頻，你就可以做針對(duì)性的提問(wèn)，比如“這倆人關(guān)系怎么樣？”、“這個(gè)人推薦的三個(gè)商品，哪個(gè)性價(jià)比高？”
你還可以讓它深入分析故事情節(jié)，比如分析某一集《名偵探柯南》里兇手是怎么下毒的。
林達(dá)華透露說(shuō)，今年商湯將把視頻理解支持時(shí)長(zhǎng)進(jìn)一步提升到1小時(shí)。
商量App上的實(shí)時(shí)視音頻交互能力也非常絲滑方便，打開(kāi)手機(jī)攝像頭，就可以哪里不懂問(wèn)哪里。無(wú)論是鏡頭里一掃而過(guò)的街景，還是講解數(shù)學(xué)題和翻譯文字，或者看圖講故事，AI都信手拈來(lái)。
全新商量網(wǎng)頁(yè)版即日上線，商量App已開(kāi)啟內(nèi)測(cè)，日日新SenseNova V6 API明日上線。
網(wǎng)頁(yè)版指路：chat.sensetime.com
商湯還發(fā)布商湯大裝置SenseCore 2.0，同時(shí)推出四大行業(yè)解決方案，要做“最懂大模型的AI基礎(chǔ)設(shè)施”。
值得一提的是，國(guó)產(chǎn)芯片參與了「日日新SenseNova V6」的訓(xùn)練。
商湯科技聯(lián)合創(chuàng)始人、大裝置事業(yè)群總裁楊帆告訴智東西，國(guó)產(chǎn)芯片這三年快速進(jìn)步，商湯持續(xù)對(duì)進(jìn)口及國(guó)產(chǎn)芯片做適配和優(yōu)化，希望能提供市場(chǎng)最優(yōu)的性價(jià)比。
一、6000億參數(shù)多模態(tài)基座模型開(kāi)“團(tuán)戰(zhàn)”：強(qiáng)推理 x 強(qiáng)交互 x 長(zhǎng)記憶
2025年大模型發(fā)展有三大重要技術(shù)趨勢(shì)：效率至上、多模態(tài)、深度推理。
新發(fā)布的「日日新SenseNova V6」原生多模態(tài)通用大模型，采用混合專家架構(gòu)（MoE），擁有6000億參數(shù)，做到三合一：多模態(tài)長(zhǎng)思維鏈+多模態(tài)強(qiáng)化學(xué)習(xí)+多模態(tài)全局記憶。
其推理能力顯著提升，一個(gè)模型同時(shí)在多模態(tài)推理和純文本推理上做到性能對(duì)標(biāo)國(guó)際領(lǐng)先模型。從商湯展示的分?jǐn)?shù)來(lái)看，SenseNova V6 Reasoner推理模型的推理能力超過(guò)了OpenAI o1和Gemini 2.0 flash-thinking。
商湯也實(shí)誠(chéng)地放出了SenseNova V6與OpenAI、谷歌、DeepSeek先進(jìn)模型在純文本、多模態(tài)、純文本推理、多模態(tài)推理上的具體分?jǐn)?shù)對(duì)比，總體旗鼓相當(dāng)，高低略有參差?。
其中，純文本推理和多模態(tài)推理方面，SenseNova V6在多項(xiàng)數(shù)學(xué)基準(zhǔn)測(cè)試中的超過(guò)了DeepSeek-R1、OpenAI o1、GPT-4.5。
SenseNova V6的Tablebench通過(guò)率超過(guò)GPT-4o，展現(xiàn)出強(qiáng)推理能力。
主打?qū)崟r(shí)視音頻交互的SenseNova V6 Omni，實(shí)現(xiàn)了視頻-語(yǔ)音交融的端到端輸入輸出，在多模態(tài)音視頻學(xué)術(shù)榜單上的綜合能力全面領(lǐng)先，單項(xiàng)能力對(duì)標(biāo)專用大模型水準(zhǔn)，做到視覺(jué)理解準(zhǔn)確度高，語(yǔ)音錯(cuò)誤率低。
在場(chǎng)景能力私域評(píng)測(cè)中，SenseNova V6 Omni在識(shí)別能力、問(wèn)答對(duì)話、記憶能力等維度均顯著領(lǐng)先于同類(lèi)產(chǎn)品。
二、攜手具身智能，讓機(jī)器人真聽(tīng)、真看、真思考
模型不能紙上談兵，解決現(xiàn)實(shí)問(wèn)題才是硬本事。商湯認(rèn)為，大模型在商業(yè)應(yīng)用上有兩個(gè)關(guān)鍵價(jià)值：融入真實(shí)的業(yè)務(wù)應(yīng)用，優(yōu)化與人交互體驗(yàn)。
而真實(shí)世界中的對(duì)話，不是像跟DeepSeek對(duì)話那樣，把每個(gè)指令都描述得很完整清晰，可能隨手指著一個(gè)東西提問(wèn)：“那個(gè)是啥？”“這道題怎么做？”
對(duì)應(yīng)到機(jī)器人也是如此。
多模態(tài)融合模型可以成為機(jī)器人的大腦和眼睛，增強(qiáng)感知能力，像人一樣進(jìn)行深入思考和自然表達(dá)，還有更強(qiáng)的記憶力，比如能夠記住之前來(lái)參觀過(guò)的人。
這使得機(jī)器人在落地到導(dǎo)覽等應(yīng)用場(chǎng)景時(shí)，可以隨時(shí)隨地做講解，在網(wǎng)絡(luò)通暢的狀態(tài)下，實(shí)時(shí)理解和響應(yīng)語(yǔ)音意圖，與人流暢對(duì)話，實(shí)現(xiàn)更擬人化的社交與互動(dòng)。
得益于「日日新SenseNova V6 Omni」多模態(tài)能力的進(jìn)化，機(jī)器人能夠看懂人的手勢(shì)，回答人們對(duì)周?chē)h(huán)境及物品的提問(wèn)，根據(jù)對(duì)話內(nèi)容和場(chǎng)景靈活切換交流方式，帶給用戶更真實(shí)、親切的互動(dòng)體驗(yàn)。
具身智能將是商湯多模態(tài)推理模型的重要場(chǎng)景之一。此次技術(shù)交流日上，商湯特別設(shè)置具身智能主題論壇。
談到近期引起輿論爭(zhēng)議的“朱嘯虎批量退出人形機(jī)器人”以及具身智能泡沫話題，作為人形機(jī)器人嘉賓代表，銀河通用合伙人、大模型負(fù)責(zé)人張直政談道，作為科研人員，他從謹(jǐn)慎樂(lè)觀的角度來(lái)看待，泡沫對(duì)于驅(qū)動(dòng)科技創(chuàng)新很正常。
商湯科技聯(lián)合創(chuàng)始人、大裝置事業(yè)群總裁楊帆認(rèn)為，科技產(chǎn)業(yè)要經(jīng)歷質(zhì)疑，克服質(zhì)疑，才能邁向更認(rèn)真嚴(yán)肅的產(chǎn)業(yè)階段，讓大家更認(rèn)真的思考距離商業(yè)落地還有多遠(yuǎn)。他相信多模態(tài)交互能力會(huì)給機(jī)器人帶來(lái)幫助。
三、AI融入“百姓日用”：總結(jié)中長(zhǎng)視頻重點(diǎn)，生成游戲解說(shuō)腳本，實(shí)時(shí)視音頻通話
在日常生活和辦公場(chǎng)景中，應(yīng)用了「日日新SenseNova V6」系列模型后，也能帶來(lái)更多便利和生產(chǎn)力的提升。
比如上傳時(shí)長(zhǎng)10分鐘以內(nèi)的網(wǎng)課、旅游、生活類(lèi)視頻，就可以讓AI快速整理重點(diǎn)、回答與視頻內(nèi)容相關(guān)的問(wèn)題。
商家可以收集顧客對(duì)新品的評(píng)論吐槽截圖，讓「日日新SenseNova V6」做專業(yè)的經(jīng)營(yíng)分析。
它還能解決真實(shí)辦公場(chǎng)景里繁瑣但重要的需求，包括信息管理、報(bào)告生成、運(yùn)維日志生成、數(shù)學(xué)建模等。
另外通過(guò)商量app，不僅有常見(jiàn)的文字聊天、圖片問(wèn)答、深度思考等功能，還能進(jìn)行音頻通話和視頻通話，并針對(duì)四大高頻需求，提供「數(shù)學(xué)解題」、「點(diǎn)讀翻譯」、「文旅講解」、「繪本講解」四大功能。
你可以跟AI玩“你畫(huà)我猜”。在開(kāi)場(chǎng)演示中，「日日新SenseNova V6」立即識(shí)別出用戶正在畫(huà)的是哪吒大電影里的太乙真人。它還能惟妙惟肖地模仿太乙真人角色的口音。
拍照解題幾乎已經(jīng)是各類(lèi)多模態(tài)AI聊天app的標(biāo)配。但這些普遍要先拍照，上傳照片，再等AI輸出一個(gè)很長(zhǎng)的答案。
而通過(guò)商量app實(shí)時(shí)視頻通話，AI可以像一個(gè)真人家教，精準(zhǔn)識(shí)別手寫(xiě)體，深度推理分析和定位錯(cuò)誤，并針對(duì)錯(cuò)誤點(diǎn)一步一步引導(dǎo)式講題。
外出旅游就更方便了，相當(dāng)于在手機(jī)里擁有一個(gè)博學(xué)多識(shí)的免費(fèi)導(dǎo)游，打開(kāi)攝像頭一掃，想問(wèn)什么都能立即獲得答案。你還可以把攝像頭對(duì)準(zhǔn)外文書(shū)籍或菜單，讓AI實(shí)時(shí)翻譯。
在家庭場(chǎng)景，很多家長(zhǎng)沒(méi)有時(shí)間讀繪本，或者得絞盡腦汁地給孩子講故事。這也可以由商量app代勞，它能實(shí)現(xiàn)連續(xù)記憶與時(shí)序邏輯理解，講述更完整生動(dòng)的故事，還能挖掘故事深意，升華主旨。
四、三大多模態(tài)技術(shù)創(chuàng)新，商湯大裝置大降推理成本
上述進(jìn)展離不開(kāi)商湯在技術(shù)上的持續(xù)創(chuàng)新。會(huì)上，商湯著重強(qiáng)調(diào)了三類(lèi)技術(shù)：
（1）多模態(tài)長(zhǎng)思維鏈：通過(guò)智能體（Agents）協(xié)作進(jìn)行長(zhǎng)思維鏈合成和驗(yàn)證，可支持合成最長(zhǎng) 64K的多模態(tài)長(zhǎng)思維鏈，使模型具備面對(duì)復(fù)雜問(wèn)題的長(zhǎng)時(shí)間思考能力。
（2）多模態(tài)強(qiáng)化學(xué)習(xí)：構(gòu)建了面向多種圖文任務(wù)的混合增強(qiáng)學(xué)習(xí)框架，可以同步進(jìn)行基于人類(lèi)偏好的RLHF、基于確定性答案或沙盒運(yùn)行的RFT，并通過(guò)動(dòng)態(tài)調(diào)節(jié)機(jī)制保證主客觀表現(xiàn)的均衡。
（3）多模態(tài)全局記憶：可將視覺(jué)信息、聽(tīng)覺(jué)、語(yǔ)言、與時(shí)間軸邏輯進(jìn)行對(duì)齊，形成多模態(tài)統(tǒng)一時(shí)序表征。在此基礎(chǔ)上通過(guò)內(nèi)容敏感的細(xì)粒度級(jí)聯(lián)信息壓縮，實(shí)現(xiàn)400倍的長(zhǎng)視頻壓縮。
此外，SenseNova V6 Video將視頻理解時(shí)長(zhǎng)突破到10分鐘，離不開(kāi)長(zhǎng)視頻統(tǒng)一表征和動(dòng)態(tài)壓縮的技術(shù)進(jìn)步，可將10分鐘長(zhǎng)視頻壓縮到16K tokens，同時(shí)仍然保留關(guān)鍵語(yǔ)義。通過(guò)“視覺(jué)-聽(tīng)覺(jué)-語(yǔ)義”三重關(guān)聯(lián)推理，它能發(fā)現(xiàn)視頻內(nèi)容中的一些矛盾和漏洞。
大模型技術(shù)的高效落地與規(guī)?；瘧?yīng)用，離不開(kāi)高效穩(wěn)定的算力底座。據(jù)商湯科技聯(lián)合創(chuàng)始人、大裝置事業(yè)群總裁楊帆透露，商湯大裝置已經(jīng)將商湯多模態(tài)推理應(yīng)用的成本降到和大語(yǔ)言模型一樣。
通過(guò)PD分離/通信計(jì)算折疊/FP8強(qiáng)化/算子優(yōu)化等基礎(chǔ)設(shè)施與模型協(xié)同優(yōu)化，結(jié)合預(yù)測(cè)模型驅(qū)動(dòng)的彈性伸縮技術(shù)，商湯大裝置實(shí)現(xiàn)了推理性能的突破，在線服務(wù)性能較頭部廠商提升15%，超行業(yè)平均水平25%；離線推理方面，Prefill階段提速5倍，Decode階段提速3.5倍。
此外，商湯大裝置聯(lián)合某頭部客戶進(jìn)行了大規(guī)模異構(gòu)混訓(xùn)，基于自動(dòng)并行策略、跨芯通信、容錯(cuò)恢復(fù)等核心技術(shù)，在5000張國(guó)產(chǎn)GPU集群上實(shí)現(xiàn)1個(gè)月穩(wěn)定異構(gòu)混訓(xùn)，達(dá)成80%算力利用率，成功突破單一GPU限制，為國(guó)產(chǎn)芯片碎片化問(wèn)題提供了關(guān)鍵解決方案。
商湯大裝置還宣布今年發(fā)放1億代金券，全棧賦能場(chǎng)景落地。
結(jié)語(yǔ)：商湯堅(jiān)定“三位一體”戰(zhàn)略，加速“一基兩翼”布局
大模型算法與基礎(chǔ)設(shè)施的聯(lián)合優(yōu)化，已經(jīng)成為推動(dòng)生成式AI飛速發(fā)展的核心動(dòng)力。
當(dāng)前，商湯正基于“大裝置-大模型-應(yīng)用”三位一體核心戰(zhàn)略，全面構(gòu)建未來(lái)競(jìng)爭(zhēng)力，致力于通過(guò)基礎(chǔ)設(shè)施、大模型和應(yīng)用的協(xié)同迭代，成為“最懂算力的大模型服務(wù)商”和“最懂大模型的算力服務(wù)商”。
基于三位一體戰(zhàn)略，商湯打造以日日新（SenseNova）多模態(tài)大模型為基石，以生產(chǎn)力工具和交互工具為兩大落地方向的“一基兩翼”布局。其中生產(chǎn)力工具側(cè)重在企業(yè)copilot、金融、政務(wù)，交互化工具側(cè)重在擬人交互、多模態(tài)交互、智能營(yíng)銷(xiāo)。
從技術(shù)突破、商業(yè)落地到生態(tài)協(xié)同，商湯正在摸索出作為獨(dú)立AI企業(yè)的核心競(jìng)爭(zhēng)力，深入真實(shí)場(chǎng)景需求，服務(wù)于大眾和企業(yè)日常，將多模態(tài)大模型的優(yōu)勢(shì)真正落到實(shí)處，實(shí)現(xiàn)更智慧、更溫暖、更有用的人機(jī)交互。
