SenseNova-MARS是什么
sensenova-mars是由商汤科技推出的开源多模态自主推理大模型，提供8b与32b两种参数量级版本。作为业界首个实现动态视觉推理与图文联合搜索深度协同的agentic视觉语言模型（agentic vlm），该模型具备类智能体的任务规划能力，可自主调度图像裁剪、文本检索、图像检索三大核心工具，无需人工介入即可完成多步、跨模态的复杂推理任务。在mmsearch、hr-mmsearch、fvqa等七大权威评测基准上，sensenova-mars-32b以69.74的平均分领先gemini-3-pro（69.06）和gpt-5.2（67.64），在当前开源模型中刷新sota纪录，标志着人工智能正从“被动应答”迈向“主动执行”的关键演进。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Digital IP Agent
下载
将公开的创作者、博主、播客主持人、YouTuber 或 X/Twitter 账号人物转化为可部署的 OpenClaw 代理。当用户提供 YouTube 链接、X（推特）链接等时使用。
SenseNova-MARS的核心能力
- 跨模态搜索式推理：深度融合图像与文本语义，支持实时调用外部工具开展知识驱动的多跳推理，实现信息检索与逻辑推演的一体化闭环。
- 超精细视觉理解：原生适配4K/8K超高分辨率图像输入，可稳定识别并精准裁剪占比低于5%的微小目标区域，保障细节级分析可靠性。
- 端到端Agent式执行：无需人工拆解任务，模型自动分解步骤、协调工具调用顺序，并持续迭代优化决策路径，独立完成高复杂度现实任务。
SenseNova-MARS的技术实现机制
- 两阶段协同训练框架：第一阶段采用约3,000条高质量多轮人机交互轨迹进行监督微调，使模型快速习得基础工具调用范式；第二阶段引入BN-GSPO强化学习算法，通过组内归一化与批次级归一化双重机制，显著提升多工具协同策略的稳定性与泛化性。
- BN-GSPO强化学习设计：专为多工具长序列决策场景优化，先对同组轨迹做组内归一化以消除样本间偏差，再对整批数据统一归一化，有效缓解因任务长度差异与奖励尺度不一致引发的训练震荡，实现高效稳健的策略收敛。
- 结构化动作空间与工具接口：每轮推理仅需在文本搜索、图像搜索、图像裁剪及终止响应四类动作中择一执行；图像裁剪通过归一化坐标框（x_min, y_min, x_max, y_max）实现像素级局部聚焦；所有工具调用严格遵循预定义JSON Schema，确保系统级交互一致性。
- 双维度稀疏奖励建模：以GPT-4o为外部评判器，从答案正确性与格式规范性两个维度生成稀疏奖励信号：正确性奖励基于最终输出与标准答案的语义相似度计算；格式奖励则验证每轮响应是否完整包含推理链路、工具调用指令及参数字段。
- 全自动高质量数据构建流水线：依托多模态智能体引擎，集成细粒度视觉锚点定位、多跳跨源关联检索、闭环自洽性验证三大模块，从海量网页中自动挖掘实体间深层逻辑关系，生成高难度推理样本，并同步过滤幻觉内容，保障训练数据的真实性与挑战性。
SenseNova-MARS的官方资源入口
- GitHub开源仓库：https://www.php.cn/link/6ce9251b4d3766af79fcf03389b2a6a3
- HuggingFace模型中心：
- arXiv技术报告：https://www.php.cn/link/01623048e7d81ab613de0f5d03e95fcc
SenseNova-MARS的典型应用方向
- 体育赛事智能分析：精准识别赛车服上的微型标识，联动检索所属车队、车手履历及历史成绩，并自动比对计时数据辅助判罚复核。
- 企业级商业情报提取：从行业峰会合影中识别参会企业Logo，一键聚合其最新产品参数、融资动态与竞品对比信息，支撑战略研判。
- 新闻事件真实性验证：针对高清现场图片，溯源拍摄地点、时间戳及涉事人物身份，交叉验证社交平台传播内容的可信度。
- 科研辅助与教学增效：自动解析学术论文中的图表数据，同步检索相关理论依据与前沿进展，加速文献调研与知识图谱构建。
- 文旅场景沉浸导览：识别街景中古建筑铭牌、交通指示牌等细微元素，即时推送对应的历史典故、文化背景与周边服务信息，打造个性化探索体验。
