我以为它挑格式，其实它只是嫌你说得太少

官方仓库里有个文件叫 examples/t2i/data/u1_5_gallery.jsonl，是他们自己的示例 prompt。我点开，头几条全是 JSON。

于是我下了个结论：这个模型只吃结构化 JSON，不吃自然语言段落。

这个结论是错的，而且我是照着它改了一轮 prompt、看着效果确实变好之后才下的。花了五组对照实验才把它推翻。真正管用的东西一直摆在那儿，只是我看错了它是什么——不是格式，是你把需求写得多详尽。

SenseNova-U1.5-8B-MoT 是商汤 2026-08-19 开源的原生统一多模态模型，理解和生成共用一个权重，Apache-2.0。我在一张 RTX 5090（32G）上把它从装机跑到出图、编辑、多图参考，一共 13 发文生图、8 发编辑，零失败。稳态 46 秒一张（2720×1536，50 步），显存 17.4 GiB / 32 GiB。50 GB 的 bf16 权重靠官方自带的层 offload 塞进 32G 卡，输出和不 offload 时逐位相同。

---

装机：官方推荐的装法会毁掉你的机器

官方文档让你这么装：

comfy node install ComfyUI-SenseNova-U1

别这么干。 sensenova-u1 的依赖里是硬 pin：

"torch==2.8.0",
"torchvision==0.23.0",

我这台机器上是 torch 2.12.1+cu130，上面还跑着另外六条产线：视频、音频、超分、另外三条出图线。这条命令会自动装依赖，把 torch 降级到 2.8.0，六条线一起陪葬。5090 是 Blackwell 架构，降级之后卡本身能不能用都难说。

官方在注释里其实承认了这是有意为之：Hardware-facing packages stay pinned to the reference inference environment。他们钉的是自己的参考环境，不是你的。

正确的装法是 --no-deps，然后手动补真正缺的包。我实际盘点下来只缺 accelerate 一个：

pip install --no-deps ./sensenova-u1.tar.gz
pip install "accelerate>=1.1,<2"
python -c "import torch;print(torch.__version__)"   # 确认没被动

装完 pip 会打印一串 requires torch==2.8.0, but you have 2.12.1+cu130 which is incompatible。这是预期的、正确的：声明冲突摆在那儿，但没有任何包被降级。看到这几行不要去动它。

顺带一个坑：pip install 直接吃 GitHub tarball URL 会中途断（ProtocolError: Connection broken），237 MB 拉不完。改成 aria2c 先落盘、gzip -t 验完整、再从本地文件装。

---

我是怎么得出那个错结论的

回到开头那个 jsonl。我点开看到的头几条长这样：

{"type": "概念插画海报 / 纸雕风格视觉海报",
 "canvas": {"aspect_ratio": "2:3", "safe_margin": "……"},
 "main_subject": {"subject": "……", "position": "……", "pose_or_action": "……"},
 "composition_layout": {"overall_structure": "……", "leading_lines": "……"},
 "lighting": {"key_light": "……"}}

官方把这套流程叫 Image PE（Prompt Enhancement），文档里的措辞是强烈推荐作为推理前的默认步骤。benchmark 也对得上：QwenImageBench 带 PE 60.2 分、不带 52.63 分，差 14%。

我于是把自己 prompt 里的描述挪进 JSON 字段，效果立竿见影。一条要求 细长的龙身呈优雅的 S 形曲线 的龙，段落版出来近乎笔直，挪进 pose_or_action 之后 S 形就出来了。一个唐代西域胡商，段落版连出三发东亚脸，连补一句“明确不是东亚面孔”都没用，挪进 appearance 字段一次就对。

证据链看起来完整了，我就下了结论。这里有两个错。

第一个错在那个 14%，它比的根本不是格式。我去翻了官方 PE 对比里“不带 PE”那一侧的输入原文，它长这样：

Create a vertical independent book-fair poster.
Exact copy: "PAPER TRAIL", "7 NOV", "CENTRAL LIBRARY". Add no other text.

就这一句话。而 PE 之后的输出，官方在脚本里写死了目标：Target 1,100–1,500 output tokens。所以那 14% 比的是一句话和扩写成一千多 token 的详尽描述，不是段落和 JSON。我把有没有做 prompt 增强，读成了格式之差。

第二个错更直接：官方合同自己就要求写自然语言。src/sensenova_u1_5/image_pe.py 里那句 Use the exact JSON shape below 后面跟的 schema，有一格是这样的：

"image_description": "a complete natural-language description
                      that integrates the scene without repeating every field"

官方规定的 JSON 里，必须有一段完整的自然语言描述。 同一段还写着 Describe finished pixels with specific, cohesive prose，字段里要写散文，不是填关键词。一个只吃 JSON、不吃自然语言的模型，它的官方合同不会长这样。

顺带纠正我自己的另一处。我说官方 gallery 每一条都是 JSON，这句话在两个层面上都不准。一是不是每一条，我只看了前三条，六条里有一条是纯自然语言段落，2527 字，还是六条里最短的，照样进了官方展示。二是那五条严格说也不是 JSON，是 Python 的 repr，单引号，json.loads 解不开，得用 ast.literal_eval。

那就做个对照：同样的内容，只换格式

要把写得详尽和写成 JSON 这两个变量分开，办法很直接：拿官方自己的 JSON，把结构拆掉，内容一个字不改。

我写了个脚本做机械降级，递归取出 JSON 里所有的值，按原顺序拼成一段话，只丢掉键名和层级。6097 字的 JSON 变成 4099 字的段落，159 个字段值一个不少。gallery 里 5 条 JSON 全做一遍，每条两版同 seed 42、同官方推荐分辨率各跑一发。

五组，每组左＝降级成段落，右＝官方原始 JSON。咖啡馆情侣、Ctrl+Z 海报、飞龙云海、胡萝卜时装这四组，我看不出有意义的差别，画面里的英文字两版也都渲染正确。

四组肉眼无差别。 只有第五组纸雕雪山有一处稳定差异，落在空间关系上：官方要求 中心小屋和环形木屑山峰位于安全区域内，JSON 版把小屋抱在木屑环的正中心，降级版的小屋缩小了并且跑到了环外面。

所以我现在的说法是：

格式的独立贡献很小，主要体现在空间关系上。真正决定质量的是写得多详尽。

这个结论也有边界，我不想再犯同一个错：五组题目、单 seed、我一个人看、非盲测。它足够推翻只吃 JSON 这个强断言，但不足以反过来断言格式完全无关。

那我前面那条龙、那张脸怎么解释？我自己写的 prompt 远没有官方那么详尽。官方那条有 159 个字段值，我那条只有二十几项要求挤在两百字里。信息本来就不够，结构一丢就更接不住。所以那两次的提升，很可能大部分来自挪进字段时我把话说得更清楚了，而不是 JSON 这个格式。

还有一处我做错了。官方 PE 明确写着 do not restate the same detail across fields，禁止跨字段重复；而我为了保险，把 S 形写进了四个字段。所以那次实验里，结构和重复强调根本就没分开。

---

JSON 拉得动要什么，拉不动不要什么

这是同一批实验里的第二个发现，而且是个反例。

我在 JSON 里放了一个 constraints.forbidden 数组，里面明写了 任何人物。结果四格画面全是行人，比自然语言版还明显。而 腰间不系腰带、无任何配饰 这条，我是写在 distinctive_details 里的，正面描述的形式，它执行了。

规律很清楚：把禁令改写成正面描述。

别写：不得出现任何人物
改写成：街道空无一人，只有摊位和空荡的石板路

这条对所有出图模型大概都成立，只是这次有了个干净的对照。

---

另一件事：我把编辑测坏了，然后花了八发才找到原因

出图跑通之后我去测图像编辑，那是这个模型对我真正不可替代的能力：Apache-2.0，跑在自己卡上。

结果连挂五发。失败的样子很有辨识度，输出变成高对比度的版画或线稿，写实照片的质感被整体重绘，84~86% 的像素被改，而且编辑指令本身经常没执行——我让它把一辆翻倒的邮车扶正，车还是翻的。

我依次调了这些：img_cfg_scale 从 1.0 提到 2.0，反而更差；vram_mode 从 fast 换成 balanced，输出逐位相同；中文 prompt 换成英文，一样坏；编辑指令从改光换成扶正一个物件，一样坏；prompt 从简略换成逐项列出要保留什么，还是一样坏。

八发编辑各改动了多少像素。前五发在参数上打转，数字纹丝不动地卡在 84% 一线；换成官方输入立刻掉到 11.2%，把自己的图裁成 16:9 之后是 36.5%（改光会牵动大片区域，这个值是正常的）。

五发全是白费。真正有效的一步，是先确认这不是模型的问题：官方 Space 上的示例编辑是好的，所以我把官方那张示例图和官方那条英文 prompt 原样搬到本地，跑了一遍。

正常。11.2% 的像素变化，夹克变黄，人脸、姿势、背景纹丝不动。

问题在我这边。接下来是四步二分，每步只动一个变量：

同一张图、同一条 prompt。左：输入是 2:1，整张崩成版画。右：把输入裁成 16:9，门外变成黄昏暖阳，而格架、信封、邮袋堆、翻倒的邮车、地面黄线、积水、光柱全部保持不动。

根因是输入图的宽高比 2:1 太极端。 出图阶段用 2:1 完全没问题，官方档位表里就有 2880×1440，只有编辑路径对极端比例敏感。要 2:1 的成品，就先按 16:9 编辑，再裁。

这件事真正的教训不是 2:1 不行，而是排查顺序。我在参数上瞎调了五发，而第一步就该做的是拿官方的输入跑官方的例子——那一发直接把模型的问题和我的问题切开了。

---

一个我差点当成功案例写进来的坑

最后要测的是多图参考。我用官方仓库里的三图融合案例，prompt 一字未改：把第一张图的橘猫放到第二张图的复古玩具车上，再把这一组放进第三张图的咖啡馆。ComfyUI 里三张图要合成一个 batch 才能喂给编辑节点，我串了两个 ImageBatch 接上去。

左三张是输入，最右是结果。

46 秒出图，猫的绿眼睛和胸前那块倒三角白毛都保住了，咖啡馆的金色逆光和地板投影也在。唯一不对的是车：第二张图那台是 Vespa 式的踏板摩托，结果画成了一台老爷车。

我当时的解释是，它对有生命的主体更看重，对器物形制就松得多。这个解释是编的。

真相是另一个人查出来的：官方的 ComfyUI 节点只吃第一张图。

# image_utils.py:90-93
if array.ndim == 4:
    array = array[0]          # ← 批里只取第 0 张

也就是说，我那三张图里只有橘猫进了模型。玩具车和咖啡馆一个像素都没被读到，那台老爷车是模型光看着文字描述画出来的，难怪不像。

而且这条是拿实验坐实的，不是只读源码。同 seed、同 prompt，一次喂一张图，一次喂 ImageBatch[A, 一张纯红底大白圆]，两次产物逐像素完全相同，mean diff 0.0000。第二张图确实一个像素都没影响到结果。

这里还藏着一个判据陷阱：拿字节比会得出相反结论。ComfyUI 的 SaveImage 会把整个 workflow 塞进 PNG 的文本块，两次的 workflow 不同，所以字节必然不同。要比就比像素。

模型本身是支持多图的，上游推理函数第三个参数收的就是图片列表，官方 Space 还为它设了最多 4 张、总像素不超过 2048² 的限制。卡住的是官方没把这条路接到 ComfyUI 上。

这件事让我把前面那个“猫保住了车没保住”的观察整个撤回。一个我没验证过的机制，被我拿来解释一个我没核实过的现象，最后编出了一条听起来很有道理的规律。

---

数字

关于层 offload 有个意外收获：fast 和 balanced 两种模式的输出逐位相同。也就是说这套 offload 是无损的，50 GB 塞进 32 GB 卡不用付画质的代价，只付时间。

---

值不值得用

画质上，它在我这儿的位置是：比手上那几条本地开源都强，但没到我想发的程度。出定稿还是得用云端那条线，它的位置是接住草稿、试构图、铺量那一档——那是量最大、最费抽卡的一块。

但真正让我改变看法的不是画质，是它对精细指令的响应能力此前被我低估了。S 形、族裔、袖长、腰带，我一度都记成了模型固有短板，实际全是我 prompt 写得不够。

所以这篇如果只留一句：接一个新出图模型之前，先去它的官方仓库里翻一眼示例 prompt 长什么样。 不是翻文档里的说明文字，是翻它喂给模型的那份数据。

我上一次栽在这上面是 Ideogram 4，那次也是裸自然语言通过率 12.5%，挂上官方 JSON 转换器之后 93.8%。两次都是同一个形状的坑，两次我都是先跑了一堆实验，才回头去看官方到底怎么喂的。

第三次希望能先看。