国产 AI 再添重磅突破！1 月 29 日，商汤正式开源多模态自主推理模型 SenseNova-MARS（含 8B 和 32B 版本），一经发布就拿下多模态搜索与推理核心基准测试 SOTA。更令人惊喜的是，它在关键测试中性能超越 Gemini 3 Pro、GPT-5.2 等热门模型，成为首个支持动态视觉推理与图文搜索深度融合的 Agentic VLM 模型，彻底刷新开源多模态模型的能力上限。
目前，该模型的代码、数据集已完全开源，GitHub 地址：https://github.com/OpenSenseNova/SenseNova-MARS，社区开发者可直接上手体验。
一、核心能力：自主调用工具，复杂任务无需人工干预
SenseNova-MARS 的核心优势在于 “多步骤推理 + 多工具协作”，能像人类一样主动规划解题路径，彻底打破传统 VLM 工具调用孤立、推理割裂的痛点：
-
动态工具组合：可自主调用图像裁剪（放大细节）、文本搜索、图像搜索三大类工具，根据任务需求灵活切换。
-
复杂场景落地：识别赛车服微小 Logo 后，自动查询品牌成立年份、匹配车手出生年月并计算差值；从行业峰会照片中识别汽车标志、确认车型，再补充背景信息，全程无需人工介入。
-
超长链路处理：支持超过三种工具调用和超长步骤推理，能快速抓取图片中的精准信息（如公司成立年份、人物出生年月），验证假设并得出关键判断。
二、性能炸裂：多项测试超越 GPT-5.2，跨任务适应性拉满
在多模态核心基准测试中，SenseNova-MARS 展现出碾压级实力，尤其在搜索导向型任务中表现突出：
-
搜索能力登顶：32B 版本在 MMSearch（74.3 分）和 HR-MMSearch（54.4 分）测试中，双双超越 Gemini 3 Pro 和 GPT-5.2 等专有模型，在知识密集型场景和高分辨率感知场景中均实现均衡发挥。
-
跨任务适应性更强：8B 版本通过动态选择最优工具，比 Qwen3-VL-8B 更能适配不同场景，避免 “偏科”。
-
视觉理解能打：在 V Bench 和 HR-Bench 等高分辨率感知基准测试中，32B 版本性能优于 Qwen3-VL-235B-A22B 等模型，细粒度图像理解能力突出。
三、技术揭秘：双阶段训练 + 强化学习，解决收敛难题
SenseNova-MARS 基于 Qwen2.5-VL-7B-Instruct 构建，采用创新的双阶段流水线训练策略，确保模型能力稳定且强大：
-
第一阶段：系统框架训练（SFT）
针对跨模态搜索推理数据稀缺的问题，搭建自动化数据合成引擎，挖掘跨网页实体逻辑，构建高复杂度多跳推理链路。同时通过闭环自洽性校验去除幻觉数据，让模型从一开始就学习真实复杂场景的解题逻辑。
-
第二阶段：强化学习（RL）
对模型的决策行为（选对工具、步骤合理）给予奖励，错误则调整策略。引入 BN-GSPO 算法，平滑工具调用带来的优化波动，确保模型在简单题和复杂题中均能稳定进步，解决跨模态多工具训练的收敛难题。
四、产业价值：加速多领域 AI 落地，破解落地痛点
SenseNova-MARS 的闭环解题能力，正精准破解产业端多模态应用的核心痛点：
-
工业质检：自动放大检测产品微小瑕疵，结合搜索工具验证标准，提升检测精度。
-
金融风控：快速识别票据、合同中的关键信息，交叉验证背景数据，降低风险。
-
传媒与科研：从赛事、峰会照片中提取关键信息，补充背景资料，辅助内容创作和研究验证。
这款国产开源模型的爆发，不仅展现了国内 AI 技术的硬实力，更给开发者提供了低成本探索多模态推理的强大工具。随着开源生态的持续完善，它有望在更多垂直领域实现落地，推动产业端 AI 应用效率的大幅提升。