SenseNova-MARS：商汤科技开源的AI多模态自主推理模型

SenseNova-MARS是商汤科技开源的多模态自主推理模型，提供8B、32B两种参数规模，为业内首个融合动态视觉推理与图文搜索的Agentic VLM。模型可像智能体一样自主规划任务步骤，灵活调用图像裁剪、文本搜索、图像搜索三大工具，无需人工干预即可完成复杂多跳推理。在MMSearch、HR-MMSearch、FVQA等七大基准测试中，SenseNova-MARS-32B以69.74分的平均成绩，超越Gemini-3-Pro（69.06分）、GPT-5.2（67.64分），在开源模型中达到SOTA水平，成为AI从「能回答」向「能执行」跨越的重要标志。

SenseNova-MARS的主要功能：

1、多模态搜索推理：

深度融合图像与文本实现跨模态信息检索，支持动态调用工具，高效完成复杂知识多跳推理。

2、细粒度视觉分析：

兼容4K/8K超高清图像处理，可精准裁剪、识别占比不足5%的微小视觉细节，捕捉画面核心信息。

3、自主Agent执行：

具备智能体级自主任务规划能力，可无缝协同多工具形成执行闭环，无需人工干预解决复杂多模态问题。

SenseNova-MARS的技术原理：

1、双阶段训练架构：

第一阶段基于约3000个高质量多轮交互轨迹完成冷启动监督微调，让模型掌握基础工具使用模式；第二阶段采用BN-GSPO强化学习算法，通过组内与批次双重归一化稳定训练，优化多工具协同调用与推理决策能力。

2、BN-GSPO强化学习算法：

针对多工具场景中轨迹长度、奖励尺度差异导致的训练不稳定问题，先对同组样本做组归一化消除内部偏差，再对全批次做归一化平衡不同任务学习信号，实现多工具策略的稳定高效优化。

3、动作空间与工具设计：

每轮可自主选择文本搜索、图像搜索、图像裁剪、终止回答四大动作；图像裁剪通过归一化边界框坐标实现精准局部放大，所有工具调用均遵循标准化JSON格式，保障交互一致性。

4、奖励模型机制：

采用GPT-4o作为评判器，从答案准确性和格式合规性双维度提供稀疏奖励；准确性奖励衡量最终答案与ground truth的语义匹配度，格式奖励确保每轮输出包含合规的思考过程与工具调用结构。

5、自动化数据合成：

基于多模智能体搭建专属数据引擎，通过细粒度视觉锚点定位、多跳深度关联检索、闭环自洽性校验三大环节，自动挖掘跨网页实体逻辑并构建高复杂度推理链路，同时精准过滤幻觉数据，保障训练数据高质量。

SenseNova-MARS的应用场景：

1、体育竞技分析：

精准识别赛车服等装备上的微小logo，自动检索关联企业、车手背景信息，可计算赛事时间差值，辅助赛事数据核实与专业分析。

2、商业情报挖掘：

从峰会、展会照片中快速识别企业标志，一键搜集关联产品参数、企业融资信息，高效辅助行业竞争格局分析与商业决策。

3、新闻事实核查：

针对高分辨率新闻图片，深度追溯事件背景、人物身份等关键信息，精准验证社交媒体流传信息的真实性，助力新闻事实核查。

4、学术研究与教育：

自动分析论文图表数据并检索相关研究背景、文献资料，大幅加速学术文献综述、知识整合过程，提升科研与教学效率。

5、地理旅行探索：

识别地标、路牌等场景微小细节，实时检索关联历史文化、地理信息，为用户提供沉浸式、智能化的地理旅行导览体验。

进入SenseNova-MARS官网入口