这是什么

商汤这周放出 SenseNova-Vision-7B-MoT：一个 140 亿参数的视觉模型，号称能干目标检测、OCR、深度估计、图像分割四件事。它基于字节跳动开源的多模态底座 Bagel 微调而来，每次推理激活 70 亿参数。想法很热闹，但硬件门槛和许可证决定了它今天还只是论文级产物。

行业怎么看

支持者看好「一个模型做多件事」的方向。多模型堆叠意味着更多部署成本、更高的维护负担，统一模型一旦成熟，能直接砍掉企业视觉系统的一半预算。论文里它确实在目标检测和 OCR 拿了第一，深度估计上也压过了 Depth Anything V2。

但反对意见同样明确：深度上仍输给 MoGe-2（另一款深度估计专用模型），分割任务上打不过专做分割的 SAM。更现实的是，它目前只在一张 80GB A800 显卡上验证过，没有 GGUF（一种把大模型压缩到消费级显卡上的格式），主流开源推理工具 llama.cpp 也还不支持 Bagel。许可证更直接——明确禁止商用，而底座 Bagel 本身其实是 Apache 2.0 可商用的。Reddit 开发者讨论里被问得最多的就是：真能压到 24GB 显卡上，你会用这一个，还是继续叠 Depth Anything、SAM 加一个小视觉模型？

对普通人的影响

对企业 IT：短期内不用排进采购清单。80GB 显门槛和非商用许可，决定了它今天仍是研究圈的事。

对个人职场：记住趋势就行——「多任务统一模型」是视觉 AI 的方向，但离日常办公还很远。

对消费市场：手机拍照、AR 滤镜这些你日常用的功能，至少一年内不会因为它有任何变化。