商汤开源 SenseNova-MARS：多模态自主推理模型登顶 MMSearch 榜单

商汤科技正式开源 SenseNova-MARS —— 一款支持动态视觉推理与图文搜索深度融合的多模态大模型（VLM）。该模型提供 8B 与 32B 双版本，在多模态搜索与推理核心基准 MMSearch 上以 69.74 分 超越 Gemini-3-Pro（69.06）与 GPT-5.2（67.64），成为当前开源模型中的 SOTA，并在多项闭源模型对比中实现全面领先。

• GitHub：https://github.com/OpenSenseNova/SenseNova-MARS
• 32B：https://huggingface.co/sensenova/SenseNova-MARS-32B
• 8B：https://huggingface.co/sensenova/SenseNova-MARS-8B 

核心突破：Agentic VLM 架构

SenseNova-MARS 是首个将 自主智能体（Agentic）能力深度集成至多模态推理的开源模型。它不仅能理解图文内容，还能：

• 自主规划任务步骤
• 动态调用工具链（图像裁剪、文本/图像搜索等）
• 执行多跳推理闭环

这一设计使其从“被动问答”升级为“主动执行”，真正具备解决复杂现实问题的能力。

性能表现：在高难度评测中全面领先

HR-MMSearch 测试特点：

• 使用 305 张 2025 年 4K 新图，杜绝知识记忆作弊
• 问题聚焦 占比 <5% 的微小细节（如 Logo、小字、远处物体）
• 覆盖 8 大领域（体育、科技、金融等），60% 问题需 ≥3 种工具协作

真实场景能力：多工具协同解决复杂任务

传统多模态模型在面对“识别+检索+推理”复合任务时往往失效。而 SenseNova-MARS 可自主完成端到端流程：

示例任务：

“识别赛车服上的微小 Logo → 查询公司成立年份 → 匹配车手出生年月 → 计算年龄差”

执行过程：

1. 调用 图像裁剪 工具放大 Logo 区域
2. 使用 图像搜索 识别品牌与车手
3. 通过 文本搜索 获取公司成立时间与人物生平
4. 自动计算并输出结果

典型应用场景：

• 行业分析：从峰会照片中提取企业标志，自动搜集产品参数、融资信息、时间线
• 赛事追踪：识别画面中人物/Logo，追溯背景资料与历史战绩
• 科研辅助：分析论文图表细节，关联最新研究数据验证假设

技术创新：双阶段训练构建“工具使用直觉”

阶段一：高难度数据合成

• 提出 多智能体自动化数据引擎，解决跨模态多跳推理数据稀缺问题
• 采用 细粒度视觉锚点 + 多跳深度关联检索，动态构建逻辑严密的推理链
• 引入 闭环自洽性校验，过滤幻觉数据，确保训练集质量

阶段二：强化学习优化

• 采用 BN-GSPO 算法（双阶段归一化强化学习）
  • 平滑工具调用返回分布的多样性
  • 确保简单与复杂任务的学习信号一致性
• 通过奖励机制培养 工具选择直觉：模型学会在何时调用何种工具，并融合多源结果

经此训练，模型不仅掌握工具使用，更形成类人决策策略——知道“先看哪里、再查什么、如何验证”。

开源与生态

• 模型权重：8B / 32B 双版本已开源
• 工具链支持：内置图像裁剪、图文搜索等模块
• 应用场景：支持 API 调用与本地部署，适用于企业级多模态智能体开发