SenseTimeは、パラメータ数80億の新しいオープンソースの軽量統合型マルチモーダル大規模モデル「SenseNova U1.5Lite」をリリースしました。このモデルは、主要な視覚タスクにおいて同規模のモデルを上回る性能を発揮し、複雑なレイアウトやテキストレンダリングのシナリオでは、より大規模な商用モデルと同等の性能を示します。 このモデルは3～4Kのコンテキスト長に対応しており、複数の制約を同時に処理できるため、タスクの安定性が向上しています。構図、色彩、写実性、細部の表現が改善され、より高品質な視覚生成を実現するとともに、従来のモデルに見られる「局所的には正しいが全体として不完全」という問題を回避しています。 ネイティブな画像編集機能により、被写体の識別性、空間構造、レイアウトをより適切に維持しつつ、局所的な修正、要素の置換、テキストの微調整、および複数参照による編集におけるパフォーマンスを向上させています。また、このモデルはテキストや複雑なレイアウトの処理にも優れており、中国語および英語のコンテンツ、ポスター、インフォグラフィック、マルチテキストの書式設定をサポートし、完成度の高い視覚的出力を実現します。 バウンディングボックス、ビジュアルマーカー、参照画像を用いた精密な編集オプションを提供し、微細なテクスチャ、小さなテキスト、照明効果を保持するネイティブ4K高解像度生成にも対応しています。本プロジェクトは https://github.com/OpenSenseNova/SenseNova-U1 で公開されています。