SenseTime veröffentlicht encoder- und VAE-freies Bildmodell SenseNova-U1.5-8B-MoT

SenseTime legt Bildmodell ohne Encoder und VAE vor, mit nativer 4K-Ausgabe

SenseTime hat SenseNova-U1.5-8B-MoT veröffentlicht. Das Multimodalmodell versteht und begründet Bilder, erzeugt und bearbeitet sie. Einen separaten Vision-Encoder und einen VAE braucht es dafür nicht. Grundlage ist die NEO-unify-Architektur. Nach Herstellerangaben erzeugt das Modell Bilder nativ bis 4K, ausdrücklich kein nachträglich hochskaliertes Ergebnis. Hinzu kommen Text-zu-Bild, Bearbeitung mit einer oder mehreren Referenzen, regionale Steuerung über Masken, Bounding Boxes und visuelle Marker sowie Interleaved-Generierung. Das Textrendering ist auf Chinesisch und Englisch ausgelegt.

Neu ist die Veröffentlichung nur zum Teil. Die Preview erschien am 31. Juli 2026, der finale Checkpoint am 20. August, der Technical Report am 11. September und die Variante LoRA-8step-V2 am 24. September 2026. Neu sind demnach vor allem die Zahlen im Report und die Reaktionen der Community.

Faltung und Pixel Shuffle ersetzen isolierte RGB-Patches

Der Technical Report beschreibt eine Änderung gegenüber dem Vorgänger U1 an der visuellen Schnittstelle. U1 rekonstruierte jeden visuellen Token einzeln als RGB-Patch. Benachbarte Bereiche tauschten dabei keine Informationen aus. Bei hoher Auflösung entstanden so laut Bericht Nähte, Texturbrüche und Geometrieinkonsistenzen. U1.5 projiziert die Token auf ein 2D-Feature-Feld und rekonstruiert das Bild per Faltung und Pixel Shuffle. Damit legen Nachbarbereiche Farbe, Textur und Geometrie gemeinsam fest.

Beim Post-Training setzt das Team auf das Prinzip „erst spezialisieren, dann vereinen“. Experten für Ästhetik, zweisprachiges Textrendering, Infografiken und Bildbearbeitung werden einzeln optimiert, weil die Fähigkeiten unterschiedliche Reward-Signale brauchen. Multi-Expert On-Policy Distillation führt sie anschließend zusammen. Das sind Aussagen des Berichts. Unabhängig geprüft sind sie nicht. Der angekündigte Trainingscode (SFT, RL, On-Policy Distillation) ist noch in Vorbereitung.

Lokal ab etwa 17 GiB VRAM: ComfyUI-Pack und Community-Quantisierungen

Lokal läuft das Modell über das offizielle ComfyUI-SenseNova-U1-Node-Pack (v0.2.0, veröffentlicht am 16. August 2026). Das Pack verwendet eine eigene Sampling-Schleife statt des KSamplers. Der VRAM-Spitzenbedarf liegt bei etwa 17,3 GiB für Text-zu-Bild und bei rund 20 GiB für Editing. Laut Meldung sind die Offload-Modi balanced und low 36 bis 50 Prozent schneller und liefern bit-identische Ausgaben.

Für Q8-GGUF-Quantisierungen verlinkt das Projekt Dateien von Community-Mitwirkenden: 19,9 GB für die Preview, 21,2 GB für den finalen Checkpoint.

Vorsprung vor Qwen-Image und FLUX ist unbelegt, Modellgröße offen

Das Portal hyper.ai schreibt, U1.5 habe FLUX.2-dev (32B) und Qwen-Image (20B) in unabhängigen Evaluierungen durchgängig übertroffen. Welche Evaluierung gemeint ist, nennt der Text nicht. Die Zahlen stammen vermutlich aus dem Herstellerbericht. Eine Auswertung der unveränderten Berichtszahlen kommt zu einem anderen Ergebnis: U1.5 und Qwen-Image 20B wechseln sich demnach bei den Siegen ab. Die Benchmark-Tabellen liegen hier nicht vor, eigene Vergleichszahlen gibt es daher nicht. Der Vorsprung gilt somit als unbelegt.

Offen ist auch die Größe. „8B-MoT“ ist die Herstellerbezeichnung. hyper.ai nennt dagegen rund 8 Milliarden Parameter für das Verstehen und rund 8,2 Milliarden für die Bildsynthese. Ein Nutzer beschreibt das Modell als 50-GB-bf16-Konfiguration, der Q8-Checkpoint wiegt 21,2 GB. Das passt nicht ohne Weiteres zu „nur 8B“. Die Gesamtparameterzahl ist unbelegt.