Qwen-Image-Edit-2511 vs SenseNova U1.5：多参考图融合能力实测对比

多参考图融合：图像编辑模型的高难度试金石

图像编辑模型的能力边界正在快速拓展，而「多参考图融合」——即把多张不同来源、不同风格的图像元素整合进一个统一场景——正成为衡量模型能力的高难度试金石。近期，一位 Reddit 社区用户对两款热门开源图像编辑模型进行了针锋相对的实测对比：阿里的 Qwen-Image-Edit-2511 与商汤开源的 SenseNova-U1.5-8B-MoT-Preview（Lite）。

测试的核心问题很直接：SenseNova U1.5 Lite 号称体量精巧、性能扎实，但它到底能不能在真实场景中击败口碑颇佳的 Qwen-Image-Edit-2511？测试者用四组高难度任务给出了初步答案。

测试设计：贴近真实创作场景

此次评测的输入图像来源多样——部分由 Krea-2 生成，部分则是真实拍摄的照片。这种混合来源的设计更贴近实际创作工作流：用户往往需要把 AI 生成素材与真实照片、甚至不同画风（写实 + 动漫）的元素融合在同一画面中。

四组提示词都属于「高概念、多元素、多约束」类型，涉及人物置入、道具融合、空间透视调整、光影统一等多重要求。这类任务对模型的指令遵循能力和空间理解能力提出了极高挑战。

Qwen-Image-Edit-2511 的纹理质感优势

测试者首先给出的观察是：Qwen-Image-Edit-2511 在图像纹理质量上「确实令人印象深刻」，尤其是在光照和阴影的处理上表现突出。

这一点在实际应用中意义重大。以第三组「橘猫骑复古玩具滑板车」的提示词为例，原始需求极其苛刻：不仅要求提取橘猫的标志性面部特征（微胖的脸、绿眼睛、胸前浓密的白色三角形毛发），还要求金色午后阳光作为主光源、猫背和耳缘要有温暖的金色轮廓光（逆光效果）、金属车身要反射窗外街景、整个物体要在木地板上投下柔边阴影。

在这些对光影物理真实感要求极高的细节上，Qwen 展现出了扎实的渲染功力。对于追求成片质感的社交媒体创作或商业视觉而言，这种纹理优势是实打实的加分项。

SenseNova U1.5 在空间理解上后来居上

然而，纹理漂亮并不等于画面「合理」。测试者发现，在空间理解这一维度上，SenseNova 反而占据了上风。

最典型的证据依然来自那组「猫骑滑板车」的对比：

• Qwen 的问题：在咖啡桌下方生成了一根莫名其妙的「柱子」，且猫的前爪摆放位置显得不自然，违背了物理逻辑。
• SenseNova 的表现：没有出现这类瑕疵，物体的空间关系和肢体接触更加合理。

这个差异很关键。多参考图融合的难点，恰恰不在于把元素「画得好看」，而在于让来自不同图像的元素在同一个三维空间中逻辑自洽——透视对齐、物体接触面的自然压缩与遮挡、阴影方向一致。Qwen 生成「幽灵柱子」这类问题，暴露出它在解析复杂空间约束时可能出现的结构性误判。

空间理解为何比纹理渲染更难突破

值得深入思考的是，纹理和光影本质上是「表面渲染」问题，而空间关系是「结构建模」问题。前者可以靠强大的生成先验和风格拟合来堆砌，后者则要求模型真正「理解」画面中物体的三维位置和相互关系。

SenseNova-U1.5 采用了其宣称的「Native Unified Paradigm（原生统一范式）」与 NEO-unify 架构，这种统一建模思路或许在处理跨图像的空间一致性时具备天然优势。这也提示我们：模型体量（Lite 版本仅 8B）并非能力的唯一决定因素，架构设计对特定任务的适配度同样关键。

SenseNova-U1.5 的「Native Unified Paradigm（原生统一范式）」与 NEO-unify 架构，其核心思路是将文本理解、图像感知与生成能力在同一个统一的模型框架内联合训练，而非像传统流水线那样分模块串联处理。MoT（Mixture of Tokens）机制则允许模型在处理不同模态的输入时动态分配计算资源，理论上有助于在整合多张参考图时保持跨图像的全局空间一致性。相比之下，许多图像编辑模型是在预训练的图像生成模型（如 Stable Diffusion 架构）基础上通过指令微调叠加编辑能力，这种「事后嫁接」的方式在处理需要全局三维推理的任务时，可能更容易出现局部感知强、全局结构弱的问题——Qwen 生成「幽灵柱子」这类脱离整体空间逻辑的元素，可能正是这一架构局限的体现。

四组高难度融合任务的综合考验

除了猫骑滑板车，另外三组任务同样极具代表性：

1. 未来城市屋顶场景：把真人置入落日下的科幻天台，要求景深虚化、黄金时刻光照、飞行无人机等背景元素——考验的是光影氛围与主体融合。
2. 复古书房跨风格融合：让写实风格的真人女孩、动漫风格的金发女孩、古罗马神庙版画、复古卡片同框——极端考验写实与动漫两种画风在同一画面中的共存能力。
3. 创意市集全景：两位写实人物与两位动漫人物在统一光照和空间透视下自然共处——是跨风格融合的终极压力测试。

这些任务共同指向一个趋势：图像编辑正从「单张图的局部修改」走向「多源素材的场景级合成」。而衡量标准也随之升级——不再只看单点画质，而是看整体的逻辑一致性、风格协调性与物理真实感。

「写实与动漫风格共存」是多参考图融合中公认的最高难度任务之一。两种画风在线条逻辑、色彩饱和度、光影建模方式上存在根本性差异：写实风格依赖物理真实的光照模型，动漫风格则使用简化的赛璐珞（cel-shading）着色。当两类角色同框时，模型需要在同一画面中同时维持两套视觉语法而不相互「污染」——动漫角色不能被渲染成半写实的「恐怖谷」状态，写实人物也不能被卡通化。这要求模型不仅能识别风格差异，还要在生成阶段对不同区域施加不同的渲染策略，是对模型精细化区域控制能力的极端压力测试。

对比结论与选型建议

从这次社区实测来看，两款开源图像编辑模型各有所长，尚无绝对赢家：

• Qwen-Image-Edit-2511 胜在纹理质感、光照阴影的渲染精度，适合对成片视觉质量要求高的场景。
• SenseNova-U1.5-Lite 胜在空间理解和结构合理性，在复杂多元素融合中更少出现违反逻辑的瑕疵，且模型体量更轻（仅 8B 参数）。

对于开发者和创作者而言，这个对比的核心启示是：选型应基于具体任务需求。如果核心痛点是空间关系复杂的多图融合，SenseNova 值得认真评估；如果追求极致的光影质感，Qwen 仍是有力选择。

需要提醒的是，这只是单一用户的四组主观对比，样本量有限，且未涉及推理速度、显存占用等工程指标。真正的选型仍需在自己的实际工作流中进行更系统的测试。但无论如何，开源图像编辑模型在「多参考图融合」这一硬骨头上的快速进步，本身就是一个值得关注的信号。