SenseTime开源SenseNova-MARS：首个具备自主思考与行动能力的Agentic VLM模型
发布日期：2026年1月30日
来源：AIbase Daily
核心摘要
2026年1月30日，商汤科技（SenseTime）正式开源其首个支持动态视觉推理与图文搜索深度融合的Agentic VLM（具身智能视觉语言模型）——SenseNova-MARS。该模型提供8B和32B两个版本，通过模拟“侦探破案”逻辑，实现了AI从单纯“理解”到自主“执行”的突破。
性能表现：多项基准测试超越GPT-5.2
在最新的行业基准测试中，SenseNova-MARS展现出卓越性能：
| 测试项目 | SenseNova-MARS得分 | GPT-5.2得分 | 关键表现 |
|---|---|---|---|
| MMSearch（图文搜索核心评估） | 74.27分 | 66.08分 | 位列榜首，显著领先 |
| HR-MMSearch（高清细节搜索评估） | 54.43分 | – | 与主流闭源模型拉开差距 |
| FVQA、InfoSeek等权威视觉理解基准 | SOTA（开源模型最佳） | – | 在多维度能力验证中达到最优 |
核心技术：类人工具协作的“自主规划”能力
SenseNova-MARS的独特之处在于其“自主规划”能力，可自动解决涉及“细节识别→信息检索→逻辑推理”的复杂长链任务：
- 图像细节裁剪：能聚焦占图像比例不足5%的微小细节（如赛车服上的标识），并自动放大分析。
- 动态图文搜索：一旦识别出物体或人物，即自动匹配全球相关信息，如设备型号或行业数据。
- 多跳深度推理：不再困扰于“先放大、再识别、最后查背景信息”的任务，展现出强大的“工具使用直觉”。
训练方法：“量身教学”的双阶段演进
商汤研究团队通过两阶段训练过程增强模型的逻辑链：
| 阶段 | 训练方法 | 目标 |
|---|---|---|
| 第一阶段（打基础） | 使用自动化数据合成引擎构建“高难度案例库”，让AI学习基础的多跳搜索逻辑。 | 确保模型从真实复杂场景起步。 |
| 第二阶段（实战演练） | 引入BN-GSPO算法进行强化学习，类似训练侦探，通过奖励机制平滑波动。 | 使模型在处理各类问题时保持稳定进步。 |
开源计划：全面支持全球开发者
目前，商汤已全面开源SenseNova-MARS的模型、代码及数据集。开发者可通过Hugging Face直接下载，共同探索具身智能与自主智能体的无限可能。
行业背景与趋势
- AI模型发展：SenseNova-MARS作为首个Agentic VLM，标志着多模态大模型向自主推理迈进的新篇章。
- 市场预测：到2033年，全球建筑行业AI市场规模预计将从2026年的62亿美元增长至320亿美元，年复合增长率达26.4%，显示AI在各领域的渗透加速。
- 技术趋势：2025年中国“十大科技热词”中，“智能体”“具身AI”“AI治理”等入选，体现了行业对自主智能与伦理规范的共同关注。
其他相关动态（2026年1月30日）
- ChatGPT Agent用户流失：OpenAI的ChatGPT Agent因定位模糊导致用户困惑，每周活跃付费用户数在六个月内从400万锐减75%至不足100万，面临停服。
- 蚂蚁集团发布LingBot-VLA：推出视觉-语言-动作基础模型，基于9台双臂机器人累计2万小时的真实数据训练，提升机器人操作能力。
- 开源项目更名：AI助手项目从Clawd、Moltbot更名为OpenClaw，解决商标问题后进入稳定阶段，GitHub星标数超10万。
- 巨头投资动向：英伟达、亚马逊和微软计划向OpenAI投资约6000亿美元，以应对与谷歌的竞争，其中英伟达可能出资3000亿美元。
注：本文基于AIbase Daily报道整理，聚焦SenseNova-MARS的核心信息，已移除广告、推广链接及无关内容。
