关键要点
- 商汤在 2025 年 4 月的技术交流日发布日日新 V6(SenseNova V6),公司称其为原生多模态混合专家(MoE)基座模型,参数规模超过 6000 亿。
- 商汤称 V6 是中国首个支持十分钟视频全帧率理解与深度推理的模型;做法是把画面、音频、字幕与时间逻辑对齐后压缩,十分钟视频约折合 16K token。
- 同步推出的 V6 Omni 面向实时交互,覆盖角色扮演、翻译、导览、绘本讲述与数学讲解,公司称已在具身智能等行业部署。
- 为拉开发者,商汤宣布 1 亿元人民币(约合 1390 万美元 / 1.08 亿港元)专项扶持,投向具身智能与 AIGC。
一个能看懂十分钟视频的模型,听起来像实验室里的稀奇物件,直到你真的用它干活。多数系统只抽几帧,中途丢了线索,帧与帧之间发生了什么就被跳过了。商汤在 2025 年 4 月的技术交流日给出的答案是:把整段序列留在视野里,再推向日常应用。
模型家族叫日日新 V6(SenseNova V6)。商汤的定位是原生多模态混合专家(MoE)基座模型,参数规模超过 6000 亿。它接受文本、图像和视频输入,并且是在这些模态上做推理,而不只是描述。
十分钟这个数字靠什么成立
最具体的能力被商汤称为"全局记忆"。背后的工程没那么玄:把视觉帧、音频、字幕和时间逻辑对齐成统一序列表示,再用细粒度级联压缩与内容感知过滤压缩。商汤说,十分钟视频压完约 16K token,仍保留关键语义。
压缩才是全部的窍门。长上下文视频表面上是模型问题,本质上是显存问题。只要能把输入压到注意力机制真的抱得住的量级,推理才有可能发生。
与它并列的是 V6 Omni,一个更轻的全模态交互模型,面向角色扮演、翻译、导览等实时场景。商汤称其已在具身智能等行业部署,是中国首个商用的全模态实时交互模型。
用图推理,不只是用词推理
发布的另一半讲的是"想"。商汤称 V6 用超过 2000 亿高质量多模态长思维链数据训练,链长可达 64K token。长链通过多智能体协作合成并验证,再用来教模型一步步处理图文混合问题。
公司把实用价值落在文档处理上。以商业健康险理赔为例,V6 可以查看投保人提交的材料,标出不必要开的药或不必要做的检查、缺失的单据、不完整的提交。琐碎正是重点:能对扫描版理赔单推理的模型,比在数学竞赛上拿分的模型更接近业务流程。
这里必须把话说清楚。商汤的发布材料里满是最高级:"国内首个""行业最低成本""最先进"。这些是公司官网上的主张,其中若干项与具名海外模型对比,应当读作厂商声明。我没有找到独立榜单结果来证实"首个""最低"这类说法。
从上海到一款粤语应用
落地的相当一部分发生在香港。商汤把面向香港用户的 AI 助手"商量"(SenseChat)升级到 V6 之上。更新后的应用加入了带情绪表达的实时音视频交互,首发支持普通话对话,粤语语音通话被列为后续版本。它支持繁体中文,并在 iOS 与 Android 上免费提供。
这个细节容易被跳过,但它是最清楚的战略证据:一个在推理榜单上做宣传的模型,正通过本地语言应用出货。商汤董事长兼 CEO 徐立的说法很直接:"AI 的真正价值在日常生活里。"
一亿元代金券
为了把开发者拉到自己的平台上,商汤宣布了 1 亿元人民币(约合 1390 万美元 / 1.08 亿港元)的专项扶持,投向具身智能与 AIGC。这个包覆盖专家咨询、模型训练与推理验证。它既是研究发布,也是市场动作:模型可以通过商量网页版试用,补贴则降低了集成的成本。这类补贴的真实作用是缩短"试一试"到"接进去"的距离——模型能力的差距往往几周就被追平,而工程师已经写进代码的调用习惯,追平起来要慢得多。
诚实的局限
所有能力、排名与成本主张都来自商汤自己的发布。"国内首个""行业最低"是公司断言,不是独立验证的结果。十分钟视频是在商汤自己的压缩流水线下测得的能力,不构成对任意视频类型、分辨率或领域的保证。1 亿元代金券是一项条款可能变动的补贴,材料中没有申领规则细则。文中的应用更新在信源中处于预览阶段,粤语语音通话被列为未来版本,而非已上线功能。
普通人现在能做什么
- 拿你自己的素材去验证长视频主张。抽帧采样和全序列压缩,在会议录像、课程视频和电影预告片上的表现差异很大。
- 把"首个"和"成本最低"当成需要复核的主张。在转述那个数字之前,先问清楚对比的是哪个榜单、哪种硬件、哪个价格。
- 关注本地语言应用,而不只是模型卡。一个模型通过粤语助手触达用户,比发布会上的一张跑分幻灯片更能说明真实部署。