2026年1月30日，SenseTime正式开源其首个支持动态视觉推理与文本-图像搜索深度集成的代理VLM模型——SenseNova-MARS。该型号有两个版本：8B和32B。通过模拟“侦探调查”的逻辑，它实现了人工智能从单纯“理解”到自主“执行”的突破。
性能飞跃：在多个基准测试中超越GPT-5.2
在最新的行业基准测试中，SenseNova-MARS 展现了令人印象深刻的性能：
搜索推理领先者：它以74.27分位居MMSearch（文本-图片搜索核心评估）榜首，远超GPT-5.2的66.08分。
详细搜索领导力：在HR-MMSearch（高清细节搜索评估）中得分54.43分，与主流闭源模型形成差距。
多维能力验证：在FVQA和InfoSeek等多个权威视觉理解基准测试中，在开源模型中取得了SOTA（最先进）成绩。
核心黑人技术：与人类等工具的协作
SenseNova-MARS 的独特之处在于其“自主规划”能力，能够自动解决涉及“细节识别+信息检索+逻辑推理”的复杂长链任务：
图像细节裁剪：它可以聚焦于占图像不到5%的小细节（如赛车服上的标志），并自动放大进行分析。
动态文本-图像搜索：一旦识别到物体或人物，会自动匹配相关的全球信息，如设备型号或行业数据。
多跳深度推理：它不再难以处理需要“先放大，然后识别，最后核查背景信息”的任务，展现出强烈的“使用工具直觉”。
训练秘诀：“量身定制的教学”双阶段演进
SenseTime研究团队通过两阶段训练过程增强了模型的逻辑链：
第一阶段（奠定基础）：利用自动化数据综合引擎创建“高难度案例库”，使AI能够学习基础的多跳搜索逻辑，确保从真实复杂的场景开始。
第二阶段（真实情境实践）：引入BN-GSPO强化学习算法，类似于训练侦探，通过奖励机制平滑波动，使模型在处理各种问题时保持稳定进展。
拥抱开源：支持全球开发者
目前，SenseTime已完全开源SenseNova-MARS的模型、代码和数据集。开发者可以通过Hugging Face直接下载，共同探索具身智能和自主智能体的无限可能性。
