**Vision as Unified Multimodal Generation** > 该研究提出将计算机视觉统一为多模态生成任务,通过SenseNova
原帖
**Vision as Unified Multimodal Generation**
> 该研究提出将计算机视觉统一为多模态生成任务,通过SenseNova-Vision模型利用自然语言指令和视觉提示,在统一的文本与图像生成空间中处理检测、分割、深度估计等多样化视觉任务。该方法无需特定架构修改,即可实现与领先专用系统相当的性能,展示了将视觉能力整合进通用基础模型的可扩展路径。
**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-07-08 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2607.06560)