![](https://developer.qcloudimg.com/http-save/yehe-11396077/531f3633d6d19217d085a968c6a6a673.png)

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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/20eb4e6c0c3bc17d9a81c983787ae380.png)

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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/b1a97710ab78ba76d6cbc6adab5033a8.png)

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：

```plain
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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/8b3fcb690afe3eddefd6666e76ecd393.png)

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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/b3e6a5646d1153a87dd936dedaee266a.png)

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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/7e1a5823d4a59170254cd3451cfa469e.png)

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：

```plain
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：

```plain
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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/03f8e94780802b410c370eed37d3d996.png)

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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/80ab60f8884044d64c433fb5fd9bf7cc.png)

报错里最关键的是：

```plain
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：

```plain
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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/8765149e8edc80ffface97a905e2396e.png)

核心报错是：

```plain
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：

```plain
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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/bd8339433c0819c8e18567bf853374c3.png)

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：

```plain
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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/33c7e8675d0a423ede1fe783848dd5ff.png)

安装好 PyTorch 后，我再安装 SenseNova-U1 的核心依赖：

```plain
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
```


![](https://developer.qcloudimg.com/http-save/yehe-11396077/d5bf64fa9c38177bde0dc42170e3548b.png)

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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/cf074d6c8711757ca5fca102a6c427b9.png)

接着克隆项目：

```plain
cd /root/autodl-tmp
git clone https://github.com/OpenSenseNova/SenseNova-U1.git
cd SenseNova-U1
```


![](https://developer.qcloudimg.com/http-save/yehe-11396077/c078d0211a260958746aeb6ae6ffc019.png)

## 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：

```plain
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：

```plain
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：

```plain
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。


![](https://developer.qcloudimg.com/http-save/yehe-11396077/af31c3c4a1771f86a29d68faeefb106e.png)

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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/a56c505289eac84e29f68d60f654d972.png)

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。

```plain
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
```


![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11396077/66af84b07008f887aed88fb90d603bff.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：

```plain
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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/5e68ac4000087f72c7421a9147147982.png)

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：

```plain
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：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/9bb73daa807f7bc17801f8e208b967bd.png)

最终封面图我放在文章开头，也再贴一次：


![](https://developer.qcloudimg.com/http-save/yehe-11396077/5896bbc0c9e6a89c9e6587762541ba8a.png)

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：

```plain
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。

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。

SenseNova-U1 实战体验：从网页版生成，到 Mac 踩坑，再到 CUDA 服务器跑通本地部署

人工智能

开发工具

云计算

商汤开源SenseNova-U1-8B-MoT多模态模型部署实战：从Mac环境适配到CUDA服务器成功运行。实测发现Mac本地部署因MPS内存不足无法完成推理，而CUDA服务器（RTX 3090）配合Python 3.11、PyTorch 2.8环境可稳定生成1024x1024及2720x1536分辨率图像。关键提示：需使用官方分辨率bucket，提前通过镜像源下载模型至本地路径，避免网络问题。

服务器

数据流

Python

GitHub

Linux

Agent

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

商汤开源SenseNova-U1-8B-MoT多模态模型部署实战：从Mac环境适配到CUDA服务器成功运行。实测发现Mac本地部署因MPS内存不足无法完成推理，而CUDA服务器（RTX 3090）配合Python 3.11、PyTorch 2.8环境可稳定生成1024x1024及2720x1536分辨率图像。关键提示：...

SenseNova-U1 实战体验：从网页版生成，到 Mac 踩坑，再到 CUDA 服务器跑通本地部署-腾讯云开发者社区-腾讯云

SenseNova-U1 实战体验：从网页版生成，到 Mac 踩坑，再到 CUDA 服务器跑通本地部署

SenseNova-U1 实战体验：从网页版生成，到 Mac 踩坑，再到 CUDA 服务器跑通本地部署

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐