1月29日，人工智能领军企业商汤科技正式开源其最新一代多模态大模型——SenseNova-MARS（Multi-modal Agentic Reasoning and Search），提供8B与32B双版本。该模型被官方定义为首个支持动态视觉推理与图文搜索深度融合的 Agentic VLM（具身视觉语言模型），标志着AI从“被动回答”迈向“主动执行”的关键一步。
性能超越顶级闭源模型，树立开源新标杆
在多项权威多模态基准测试中，SenseNova-MARS 表现出色。其综合得分为69.74 分，不仅在开源模型中遥遥领先，更一举超越了 Google 的 Gemini-3-Pro（69.06 分）和 OpenAI 的GPT-5.2（67.64 分）等顶级闭源模型。
具体到细分任务，SenseNova-MARS-32B 在 HR-MMSearch 基准上取得了 54.43 分 的成绩，领先 Gemini-3-Pro 和 GPT-5.2 达 5.91 和 6.23 分；而其 8B 版本也在 MMSearch（67.84 分）和 HR-MMSearch（41.64 分）上超越了 Gemini-3-Flash 和 GPT-5 等模型。这一系列成绩确立了其在多模态搜索与推理领域的 SOTA（State-of-the-Art）地位。
核心突破：赋予AI真正的“执行能力”
SenseNova-MARS 的核心创新在于其 Agentic（智能体）特性。与传统只能根据输入生成答案的模型不同，它能够：
自主规划：面对复杂任务，模型能自行拆解问题，规划出最优的解决步骤。
动态调用工具：在推理过程中，可灵活、精准地调用图像裁剪、图像搜索、文本搜索等多种工具。
闭环完成任务：整个过程无需人工干预，实现从“看到”到“理解”再到“行动”并最终“解答”的完整闭环。
例如，在一个典型场景中，模型需要识别赛车服上的微小 Logo，查询该公司成立年份，匹配车手出生日期，并计算两者的时间差。SenseNova-MARS 能自动完成图像裁剪以聚焦细节、进行图文搜索获取信息、最后进行逻辑运算得出答案，展现了强大的端到端复杂任务处理能力。
技术原理与应用场景
作为 Agentic VLM，SenseNova-MARS 是模型的“眼睛”和“大脑”的结合体，不仅能描述图像内容，更能进行深度推理。其训练过程分为两个阶段：首先通过自动化数据合成引擎构建高难度案例库，让AI学习基本的多跳搜索逻辑；随后引入强化学习机制，进一步提升其在真实复杂场景中的实战能力。
该模型的应用前景极为广阔：
行业分析：从产品发布会或行业峰会照片中，自动识别企业标志，并快速搜集相关的产品信息、公司背景及关键数据，辅助分析师洞察行业格局。
赛事与媒体：从赛事图片中追溯人物、品牌背景，快速补充报道所需的细节信息。
科研与验证：处理包含超长推理步骤的任务，自动裁剪分析图像细节、搜索研究数据，以快速验证科学假设。
开源意义与行业影响
在 Agentic AI 被广泛认为是 2026 年关键技术趋势的背景下，商汤选择开源 SenseNova-MARS 具有深远意义。此举不仅为学术界和产业界提供了一个强大的研究基线，也极大地推动了多模态智能体技术的普及与落地，有望加速解决当前 Agentic AI 在技术成本、组织协同等方面的落地困境。
综上所述，SenseNova-MARS 的发布不仅是商汤在多模态领域的重大技术突破，更是整个AI行业向具备真正“执行能力”的通用人工智能迈出的坚实一步。
Github 仓库：https://github.com/OpenSenseNova/SenseNova-MARS
模型仓库：
32B：https://huggingface.co/sensenova/SenseNova-MARS-32B
8B：https://huggingface.co/sensenova/SenseNova-MARS-8B