最近试了一轮商汤开源的 SenseNova-U1。我一开始不是奔着“跑分”去的，而是想确认一件更实际的事：它到底能不能从在线体验过渡到本地部署，尤其是像我这种日常主力是 Mac 的开发环境，最后能不能把流程真实跑通。
这篇文章按我的实际操作顺序写：先看网页版效果，再记录 Mac 本地尝试，最后切到 CUDA 服务器完成部署和生成测试。中间有成功，也有失败。我尽量把命令、报错和判断都放出来，因为这些比只贴一张最终效果图更有参考价值。
先理解 SenseNova-U1：它不是单纯的文生图模型
官方介绍里，SenseNova-U1 的关键词是 NEO-Unify，定位是“原生统一多模态理解与生成”。这点和传统多模态方案不太一样：很多模型是一个视觉编码器接一个语言模型，生成任务再接另一个图像生成模块；而 SenseNova-U1 强调把理解、生成、图像编辑、图文交错等能力放进统一架构里。
从架构图看，它同时覆盖左侧的理解类任务和右侧的生成类任务。理解侧包括文本理解、视觉语言理解、知识推理、Agent 决策、空间智能；生成侧包括图像生成、图像编辑、信息图生成、交错图文生成、统一推理。
这个定位也决定了我后面的测试方向：不只看它能不能出图，还要看它在部署链路里是否能稳定加载、是否吃显存、是否对分辨率有约束。
官方还放了不少 benchmark 对比，能看到 SenseNova-U1-A3B-MoT 和 SenseNova-U1-8B-MoT 在多个理解、编辑、生成任务上和其他模型对比。
我这次实际部署用的是 sensenova/SenseNova-U1-8B-MoT。原因很简单：A3B-MoT 更大，本地和普通云 GPU 都更容易遇到资源问题；8B-MoT 更适合做个人实测。
官方资料：
GitHub: https://github.com/OpenSenseNova/SenseNova-U1
Hugging Face: https://huggingface.co/sensenova/SenseNova-U1-8B-MoT
SenseNova Skills: https://github.com/OpenSenseNova/SenseNova-Skills
网页版体验：先看模型能做什么
在本地部署前，我先用了网页版体验。这个阶段的目的不是研究环境，而是判断模型能力是否值得继续折腾本地部署。
第一个测试是信息图生成。我给的方向是“人生四个十年的 2x2 网格”，要求用物件、材质和年代数字表达不同人生阶段。返回结果是一个四象限信息图：10 岁、20 岁、30 岁、40 岁分别用玩具、耳机、书本、工具、药瓶、植物等物件表达阶段感。
这张图最让我意外的是，它不是简单把文字贴到画面上，而是尝试用“物化”的方式表达年龄。10 岁是积木和拼图质感，20 岁有耳机和金属数字，30 岁是书本和钟表，40 岁是工具、药瓶和植物。它生成的效果还是很符合我们的prompt的
第二个测试是 2D 卡通贴纸。我要求从同一男性角色出发，生成六张贴纸，并保留人物标志性特征，比如眼镜、笑容、发型，同时让每张贴纸有不同表情和文字。
这张更偏社交媒体素材。它保留了统一角色，六张贴纸分别表达“教师模式开启”“我需要咖啡……”“订阅！”“自拍时间到！”“让我来评分。”“太容易了”。从结果看，网页版已经能支撑不少轻量内容创作场景，尤其适合先做创意验证。
也正是因为网页版效果还可以，我才继续往本地部署走。
Mac 本地部署：可以搭环境，但不适合硬跑完整推理
我的主力机器是 MacBook Pro，配置是 Apple M1 Pro，8 核 CPU（6 个性能核心 + 2 个能效核心），16GB 内存，系统是 macOS 15.4.1，arm64 架构。第一反应当然是先在本机跑一遍。但虽然SenseNova-U1 官方环境默认是 Linux + CUDA，但还是想试一下。
官方项目的 pyproject.toml 要求 Python 版本是：
requires-python = ">=3.11,<3.12"
我一开始用 Python 3.12，直接被拒绝：
这一步说明了一个细节：不要看到本机 Python 新就直接用。SenseNova-U1 当前明确要求 Python 3.11，3.12 不行。
Mac 上正确的环境方向是：
brew install python@3.11
/opt/homebrew/opt/python@3.11/bin/python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install -U pip wheel setuptools
然后安装 macOS 版 PyTorch，而不是 CUDA 版 PyTorch：
pip install torch torchvision
项目依赖我没有直接 uv sync，因为官方 uv 配置会拉取 CUDA 12.8 的 PyTorch wheel，Mac arm64 不能安装这个包。我的方式是手动安装核心依赖：
pip install transformers==4.57.1 tokenizers==0.22.1 accelerate==1.10.1 \
huggingface-hub==0.36.2 safetensors==0.6.2 sentencepiece==0.2.1 \
"numpy>=1.24,<3" pillow==12.0.0 tqdm==4.67.1 packaging==25.0 httpx
pip install -e . --no-deps
pip install -e . --no-deps 的作用是把当前项目注册到 Python 环境里，否则运行示例脚本会出现：
ModuleNotFoundError: No module named 'sensenova_u1'
到这里，Mac 上的项目环境是能起来的。模型也能开始下载和加载。
但真正进入 MPS 推理时，问题来了。即使我只跑 512x512、4 steps 的最小文生图测试，模型加载到 MPS 时仍然触发了内存不足：
报错里最关键的是：
RuntimeError: MPS backend out of memory
MPS allocated: 18.04 GiB
max allowed: 18.13 GiB
Tried to allocate 96.00 MiB
这说明它还没真正开始生成图，就已经把 MPS 可用内存顶满了。
我又尝试了官方低显存模式：
python examples/t2i/inference.py \
--model_path sensenova/SenseNova-U1-8B-MoT \
--prompt "一张极简中文卡片，标题是 SenseNova-U1 Mac 本地部署测试，白底，科技感。" \
--width 512 \
--height 512 \
--num_steps 4 \
--cfg_scale 1.0 \
--device mps \
--dtype float16 \
--attn_backend sdpa \
--vram_mode low \
--output outputs/mac_mps_low_test.png
结果不是 OOM，而是另一个更明确的问题：
核心报错是：
NotImplementedError: Inference requires a CUDA or XPU device (got device(type='mps')).
CPU / MPS lack the pinned-memory and stream primitives used here.
这个结论很清楚：Mac 可以完成环境适配和模型下载验证，但当前不适合作为 SenseNova-U1-8B-MoT 的完整本地推理主力环境。--vram_mode low 这类 offload 机制依赖 CUDA/XPU 的 pinned memory 和 stream，MPS 不支持。
这一段我反而觉得值得写进文章。因为很多时候“本地部署失败”不是无意义失败，它能帮助判断什么环境才是合理投入。
切到 CUDA 服务器：部署路线变得顺畅
Mac 这条路走不通后，我换到了云端 GPU Notebook。最终我拿到的环境是 NVIDIA GPU，实际验证里 PyTorch 能识别到：
torch: 2.8.0+cu128
cuda: 12.8
cuda available: True
gpu: NVIDIA GeForce RTX 3090
服务器环境截图如下：
CUDA 和 PyTorch 验证是本地部署里很重要的一步，建议不要跳过。我用的是：
python -c "import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"
输出确认 CUDA 可用：
安装好 PyTorch 后，我再安装 SenseNova-U1 的核心依赖：
pip install transformers==4.57.1 tokenizers==0.22.1 accelerate==1.10.1 \
huggingface-hub==0.36.2 safetensors==0.6.2 sentencepiece==0.2.1 \
"numpy>=1.24,<3" pillow==12.0.0 tqdm==4.67.1 packaging==25.0 httpx
pip install -e . --no-deps
这里我还是没有直接让依赖工具自动处理 PyTorch。原因是前面已经验证了 torch==2.8.0+cu128 和 GPU 可用，后续安装项目依赖时不希望 pip 或 uv 把 torch 版本改掉。
接着克隆项目：
cd /root/autodl-tmp
git clone https://github.com/OpenSenseNova/SenseNova-U1.git
cd SenseNova-U1
Hugging Face 下载问题：切镜像源并保存到数据盘
服务器默认访问 Hugging Face 不稳定，一开始直接加载：
--model_path sensenova/SenseNova-U1-8B-MoT
会报：
Network is unreachable
HTTPSConnectionPool(host='huggingface.co', port=443)
所以我改成先把模型下载到数据盘，再用本地路径加载。这里用国内镜像：
HF_ENDPOINT=https://hf-mirror.com huggingface-cli download sensenova/SenseNova-U1-8B-MoT \
--local-dir /root/autodl-tmp/models/SenseNova-U1-8B-MoT \
--resume-download \
--max-workers 1
几个参数解释一下：
HF_ENDPOINT=https://hf-mirror.com：切到 Hugging Face 镜像源
--local-dir：把模型放到数据盘，避免占系统盘
--resume-download：支持断点续传
--max-workers 1：降低并发，提高弱网络下的稳定性
当然下面这种先export 然后验证也是可以的。
中途我确实遇到过 Broken pipe，重新执行同一条命令后会续传。最终下载完成时显示 214 个文件全部获取成功：
这很重要，因为它证明后续不是在线拉模型，而是从本地路径加载。
第一次生成：用 1024x1024 验证 CUDA 推理闭环
模型下载完成后，我没有继续走在线模型名，而是直接使用本地模型目录作为 --model_path。第一次成功生成用的是 1024x1024、30 steps、cfg_scale 4.0，这比单纯的连通性测试更接近实际可用效果。
cd /root/autodl-tmp/SenseNova-U1
mkdir -p outputs
python examples/t2i/inference.py \
--model_path /root/autodl-tmp/models/SenseNova-U1-8B-MoT \
--prompt "一张中文科技风信息图，标题为 SenseNova-U1 本地部署成功，画面包含 GPU 环境、模型下载、推理测试三个步骤，白色背景，蓝色科技感，清晰排版，中文文字清晰。" \
--width 1024 \
--height 1024 \
--num_steps 30 \
--cfg_scale 4.0 \
--device cuda \
--dtype bfloat16 \
--attn_backend sdpa \
--vram_mode balanced \
--output outputs/sensenova_u1_cuda_quality_test.png
这张图里能看到三个关键信息：命令行已经从本地模型路径加载，checkpoint shards 正常加载完成，最终图片保存到了 outputs/sensenova_u1_cuda_quality_test.png。生成结果本身也符合提示词要求，包含“GPU 环境、模型下载、推理测试”三个步骤，说明 CUDA 服务器上的文生图链路已经跑通。
需要注意的是，脚本会提示 1024x1024 不在官方训练分辨率 bucket 中。这个警告不影响本次生成成功，也提醒我后面可以继续按官方 bucket 再跑一次更规范的 16:9 测试。
分辨率也有坑：不要随便填 1360x768
我随后尝试 16:9，但一开始用了 1360x768，结果脚本提示它不在官方训练 bucket 里，并在 patchify 阶段报 shape 错误。
官方支持的 bucket 里，16:9 对应的是：
2720x1536
所以后面我改成官方 bucket。这个细节很容易踩坑：SenseNova-U1 的图像生成不是任意分辨率都稳定，最好按官方支持的 bucket 来。
我最终使用的 16:9 测试命令是：
python examples/t2i/inference.py \
--model_path /root/autodl-tmp/models/SenseNova-U1-8B-MoT \
--prompt "生成一张中文信息图，标题为 SenseNova-U1 本地部署流程。内容包含四个步骤：创建 Python 3.11 环境、安装 PyTorch CUDA 12.8、下载 SenseNova-U1 模型、运行文生图测试。白底蓝色科技风，16:9 横版，排版清晰，文字尽量清楚。" \
--width 2720 \
--height 1536 \
--num_steps 30 \
--cfg_scale 4.0 \
--device cuda \
--dtype bfloat16 \
--attn_backend sdpa \
--vram_mode balanced \
--output outputs/sensenova_u1_deploy_flow_2720x1536.png
生成结果如下：
这一版使用官方 16:9 bucket，比前面的 1024x1024 测试更符合模型推荐分辨率。它也进一步证明：在 CUDA 环境下，只要分辨率和参数设置合理，SenseNova-U1 的文生图流程可以完整跑通。
用 SenseNova-U1 生成文章封面
最后我又让它生成了一张文章封面。提示词里我明确要求主题是“SenseNova-U1 本地部署实战”，画面包含 GPU 服务器、MacBook、Python 3.11、CUDA 12.8、PyTorch 2.8、Hugging Face、MPS OOM、vGPU 等关键词。
命令如下：
python examples/t2i/inference.py \
--model_path /root/autodl-tmp/models/SenseNova-U1-8B-MoT \
--prompt "生成一张中文技术博客封面图，主题是 SenseNova-U1 本地部署实战。画面主体是一台发光的 GPU 服务器和一台 MacBook，通过蓝色数据流连接，背景是深色科技空间，漂浮着 Python 3.11、CUDA 12.8、PyTorch 2.8、Hugging Face、MPS OOM、vGPU 这些关键词。标题文字：SenseNova-U1 本地部署实战。副标题文字：从 Mac 尝试到 CUDA GPU 跑通。整体风格高级、清晰、科技感强、信息图海报感、16:9 横版、构图有冲击力、中文标题尽量清晰。" \
--width 2720 \
--height 1536 \
--num_steps 40 \
--cfg_scale 4.0 \
--device cuda \
--dtype bfloat16 \
--attn_backend sdpa \
--vram_mode balanced \
--output outputs/sensenova_u1_article_cover.png
终端生成过程：
最终封面图我放在文章开头，也再贴一次：
这张封面图的整体完成度比我预期更好：主题明确，GPU 服务器、Mac、本地部署这些元素都能和文章内容对应起来，中文标题也足够醒目。对我来说，它已经不只是“跑通模型”的证明，而是可以直接服务文章表达的结果图。
这次部署我得到的几个结论
第一，网页版适合快速验证创意。本地部署前，我先用网页版生成了信息图和贴纸。如果这个阶段效果不值得继续投入，本地部署其实没有必要。
第二，Mac 可以做环境验证，但不适合当前 8B-MoT 完整生成推理。我的 Mac 上完成了 Python 3.11 环境、依赖安装、模型下载和脚本启动，但 MPS 在加载模型阶段就接近 18GB 上限并 OOM。--vram_mode low 又依赖 CUDA/XPU，不支持 MPS。
第三，CUDA 服务器是当前最稳路线。只要 PyTorch 版本、CUDA 版本、Python 版本对齐，部署体验明显顺畅。我的环境里 torch==2.8.0+cu128、CUDA 12.8、RTX 3090 能跑通本地推理。
第四，模型下载要提前规划。SenseNova-U1-8B-MoT 文件不少，直接在线加载容易受网络影响。我更推荐先用 huggingface-cli download 下载到数据盘，再用本地路径加载。
第五，分辨率要尊重官方 bucket。像 1360x768 这种看起来标准的 16:9，并不一定适合模型内部 patch 逻辑。官方 16:9 bucket 是 2720x1536，使用非 bucket 分辨率可能会在 patchify 阶段报错。
最后总结
这次折腾下来，我最大的感受不是“终于生成了一张图”，而是对 SenseNova-U1 的部署边界有了更清楚的判断。
我认为 SenseNova-U1 最有价值的点不是单张图是否完美，而是它把理解、生成、编辑、交错图文这些任务放在统一模型路线里。对于开发者来说，这意味着后续不一定要为每个多模态任务拼不同模型和不同服务，而是有机会围绕一个统一模型做应用层封装。
当然，从这次实测看，它也不是“无脑本地跑”的模型。Python 版本、CUDA 版本、模型下载、显存、分辨率 bucket，每一项都可能成为部署门槛。我的建议是：
如果只是体验能力，先用网页版。
如果是 Mac 用户，先把它当成环境适配和失败分析样本，不要期待轻松跑满。
如果要真正复现本地推理，优先选择 Linux + NVIDIA CUDA。
这条路线最终是跑通的，而且中间踩到的问题也比较有代表性。对我来说，这比单纯贴一个“成功生成”的结果更有意义。
