주요 특징

• 이질적인 비전 과제를 통합 멀티모달 모델의 텍스트·이미지 생성 공간으로 통일해, 박스·포인트·OCR·키포인트·카메라 파라미터는 텍스트로, 분할 마스크·깊이맵·표면 법선·포인트맵은 이미지로, 복합 과제는 텍스트+이미지 혼합 응답으로 출력
• 과제별 예측 헤드·디코더·아키텍처 분기 없이 기성 UMM에서 출발해, 비전 주석을 지시-응답 형식으로 변환한 SenseNova-Vision-Corpus-50M으로 학습하고 보조 멀티모달 데이터로 일반 이해·생성 능력을 유지
• 기술 보고서 기준 LVIS 54.8, Dense200 66.8, ICDAR15 49.5로 Grounding DINO·Qwen3-VL-8B·LocateAnything·Rex-Omni 등 비교 대상보다 높은 검출·OCR 수치를 보고했으나, ScreenSpot-V2(85.9)에서는 Qwen3.5-9B(92.2)보다 낮음
• semantic·referring·reasoning·grounded·interactive 분할과 단안 깊이·표면 법선 추정, 다시점 포인트맵 재구성·카메라 포즈 추정까지 동일한 모델과 자연어 인터페이스로 평가 지원
• 예제·단일 추론·Gradio 웹 데모·벤치마크를 한 스크립트로 실행하며, BF16 웹 데모는 A800 80GB 1장에서 약 38GB를 사용. 학습은 8×80GB 머신 2대 이상이 필요