从MoSA到一条研究路线：拆解360人工智能研究院2026上半年的6篇顶会论文

最近海外AI技术社区正在热议一个新的视觉AI方向。它来自360人工智能研究院的一项ECCV 2026收录论文——MoSAMotion-Grounded Segment Anything。计算机视觉三大顶会之一能中一篇本身就足以成为新闻钩子。但如果只把这次入选当成又一篇论文来看反而错过了更值得关注的部分。把时间轴拉长到整个2026上半年——360人工智能研究院在ICLR、CVPR、ICML、ECCV四大顶会上累计有6篇论文被收录覆盖多模态理解和多模态生成两条主线。把6篇论文摆在一起看会发现它们并非散点而是一条清晰的、围绕让AI更精准、更可控展开的研究路线。本文从技术脉络的角度对这6篇论文做一次系统拆解。一、先看全局6篇论文构成的两条研究路线360人工智能研究院2026上半年被顶会收录的6篇论文可以归入下面这张技术路线图研究方向论文顶会解决的问题多模态理解FG-CLIP 2ICML 2026细粒度图文对齐与检索多模态理解AMLAMLRISICLR 2026Agent的视觉Grounding能力多模态理解MoSAECCV 2026无监督视觉基础模型路径多模态生成RevealLayerICML 2026图像图层可控分解与编辑多模态生成RefTONCVPR 2026虚拟试衣的可控生成多模态生成NAMICVPR 2026高效高分辨率图像生成两条路线并不是各自孤立——多模态理解解决AI看得准不准多模态生成解决AI改得准不准共同指向同一个目标让AI能力在真实生产场景中更精准、更可控、更可靠。这次ECCV上的MoSA是这条路线的最新信号但绝不是孤点。二、多模态理解路线从看懂细节到找准目标再到自主学习物体概念理解路线上的三篇论文恰好对应着AI理解世界能力的三个台阶。第一阶FG-CLIP 2 —— 让AI看得更细以CLIP为代表的第一代视觉-语言模型能完成基础的图文匹配但有一个长期被诟病的短板——只理解整体语义难以区分细节差异。这成了互联网搜索、推荐、广告匹配精度提升的天花板。FG-CLIP 2是360人工智能研究院细粒度图文对齐模型FG-CLIP的第二代从训练范式、目标函数到数据生态做了全面革新补齐了业界亟需的中文能力支持在8大类共29项benchmark上超越SigLIP 2、MetaCLIP 2等最新强力基线双语性能达到全球第一。直接价值从只看懂大概变成对细节精确对齐和区分——不仅知道图里有什么还能准确理解哪一个对象、什么属性、处在什么位置。这一能力已经落地到360云盘、亿方云等产品中的AI检索场景。第二阶AML —— 让Agent找准目标当AI从被动问答走向主动执行一个新的问题浮现Agent能不能准确定位用户想操作的目标AML被ICLR 2026收录就是冲着这个问题来的。它解决的是Agent的视觉Grounding能力——让Agent面对一个软件界面、一个文档、一个网页时能够准确找到用户口中的那个按钮“那个文件”“那个输入框”并理解其语义。这是从AI看懂图到AI能动手之间的关键一跃。没有精准的Grounding能力Agent就如同一个看得见但手抖的操作员无法真正落地到产业工作流。第三阶MoSA —— 让AI自主学习物体概念ECCV 2026上的这篇MoSA则是这条理解路线走得最深的一步。SAM已经证明了通用分割模型的强大能力但它依赖大规模人工标注数据——这意味着扩展性受限于标注成本。MoSA提出的是另一条路径核心问题AI能否通过观察无标注视频中的运动自主学习什么是物体方法利用大规模无标注视频自动生成伪标签。规模研究中使用了约1万小时无标注视频自动构建超过2100万个高质量伪标签。训练过程不依赖人工标注。注意这里不是说MoSA取代SAM或击败SAM——更准确的表述是MoSA探索了一条更可扩展、更低人工标注依赖的视觉基础模型训练路径。它尝试让AI从依赖人类标注教会识别物体走向通过观察世界自主学习物体概念。理解路线小结把三篇论文串起来360的多模态理解路线图景清晰可见从看懂图文细节FG-CLIP 2到找准用户目标AML再到自主学习物体概念MoSA——360在做的是让AI理解得更精准。三、多模态生成路线不只是生成更多而是生成得更准、更可控当前图像/视频生成赛道有一个公认的痛点——产品同质化。通用化生成能力已经很难匹配产业场景对精细化、定制化、可控化的需求。360的生成路线正是对这一痛点的正面回应。RevealLayer从一张图到可编辑的图层结构主流图像生成模型已经能生成好看的图但实际业务中真正被反复追问的问题是能否精确控制生成/编辑结果RevealLayerICML 2026做的不是生成一张图而是把一张图拆解成多个可编辑的图层类似PS中的图层结构并且每一层都带有透明信息RGBA。它的三个核心突破图层级别的可控分解通过区域感知注意力Region-Aware Attention把前景/背景/遮挡关系拆清楚而不是混在一起。遮挡内容的真实还原利用Occlusion-Guided机制可以补全被遮挡的部分——比如被前景挡住的背景或者被目标A遮挡的目标B。边界精确到像素级通过alpha约束损失解决传统方法中常见的边缘模糊、残影问题。带来的直接价值是真正的指哪改哪——不仅知道哪里是目标还能单独操作该部分同时保证整体一致性。在All in Agent的战略下它是实现可执行视觉操作的关键基础能力。RevealLayer已经于6月12日上线360人工智能研究院SaaS平台。RefTON虚拟试衣的零辅助输入突破RefTONCVPR 2026针对的是虚拟试衣这一具体业务场景。传统虚拟试衣技术有几个长期痛点依赖人体姿态识别、图像分割等外部模型算法流程长且易引入外部错误常出现面料质感失真、蕾丝花纹、透明材质等细节还原不到位的问题。RefTON的开创性在于——引入服装上身参考图作为视觉指引通过创新的双阶段训练策略与多条件输入适配优化摆脱了对复杂辅助输入的依赖。仅需人物原图与目标服装图就能实现高保真的虚拟试穿生成精准还原服装的材质纹理、精细设计同时兼容掩码与无掩码两种试穿模式在国际公开基准测试中斩获领先性能。NAMI高分辨率生成的效果与效率双向突破NAMICVPR 2026直击高分辨率AI图像生成的行业痛点——“效果好则速度慢、速度快则效果打折扣”。主流图像生成模型往往因参数量庞大存在推理延迟高、算力消耗大、难以在端侧部署的问题。NAMI创新提出桥接渐进式Rectified Flow设计将图像生成过程按分辨率分阶段拆解通过自研BridgeFlow模块实现跨阶段流的精准对齐——让模型在低分辨率阶段快速搭建图像轮廓高分辨率阶段精细化打磨细节。在保证生成画质、文本语义对齐能力比肩国际顶尖模型的前提下将1024×1024高分辨率图像的推理时间大幅降低64%。这一技术为端侧AI创新业务提供了轻量化、高性能的核心生成能力支撑。生成路线小结把三篇论文串起来360的多模态生成路线同样清晰从可控图层分解RevealLayer到可控虚拟试衣RefTON再到高效可控的高分辨率生成NAMI——重点不是让AI生成更多而是让AI生成得更准、更可控、更适合业务场景。四、两条路线的共同方向精准可控把理解和生成两条路线放在一起看会发现360人工智能研究院的研究有一个非常明确的共同方向——精准可控。这个方向不是凭空选择的而是基于一个清晰的行业判断当大模型能力普及通用能力之间的差距正在快速缩小AI产品在功能和体验上逐渐趋同。“能做什么不再构成壁垒真正的挑战转向能否做得更细、更可控、更贴近具体场景”。换句话说下一轮AI竞争的差异化正在从模型规模转向模型精度与可控性。360的6篇顶会论文恰好对应了这一判断的两个关键维度理解侧的精准看懂细节FG-CLIP 2、找准目标AML、自主学习物体概念MoSA。生成侧的可控可控图层RevealLayer、可控试衣RefTON、高效可控生成NAMI。这条路线已经开始向产品端延伸RevealLayer已上线360人工智能研究院SaaS平台research.360.cn/products/Reveal-Layer。FG-CLIP 2已经支撑360云盘、亿方云等产品中的AI检索能力。这说明360的AI研究不是停留在学术发表而是形成了研究问题—模型能力—产品场景的闭环。五、为什么是360安全公司做AI基座模型的独特价值技术脉络清晰之外还有一个更宏观的问题值得讨论为什么一家全球领先的安全公司投入资源做AI基座模型研究值得被关注答案藏在360的公司基因里。安全公司天然关注几件事鲁棒性系统在异常输入下不能崩。抗干扰面对对抗样本、噪声环境、极端场景依然要稳定工作。复杂环境下的可靠性真实世界不是干净的实验室数据。真实产业场景的可控性不能差不多能用就交付。这些要求恰恰与Agent和产业应用对AI能力的要求高度一致。这就是为什么360的AI路线看起来不像一家偏聊天陪伴或创意生成的AI公司——它从一开始就更关注让AI在真实生产场景中准确、稳定、可控。MoSA追求的更低标注依赖、FG-CLIP 2追求的更精细理解、RevealLayer追求的更可控编辑背后都是同一种工程价值观的延伸。也正因为如此海外X平台上对这6篇论文的讨论中一个反复出现的判断是360的AI研究方向是面向Agent和产业应用场景打造更精准、更可控、更可靠的AI能力——这并非偶然。结语把6篇论文看成一条路线回到开篇的问题ECCV 2026上的MoSA意味着什么如果把它看成单篇论文它是一个在无监督视觉基础模型方向上的重要探索 如果把它放回360人工智能研究院2026上半年的研究布局里它是一条清晰路线上的最新坐标。细粒度图文对齐、Agent视觉定位、无监督物体学习、可控图层分解、可控虚拟试衣、高效高分辨率生成——这6项能力看似分散实则共同指向同一个判断当AI进入Agent和产业应用场景精准可控会变得越来越重要。这不是一两篇论文就能讲完的故事而是一家研究院系统性布局的结果。对于关注AI基础模型方向的开发者和技术同行来说这条路线值得持续跟踪。论文与产品体验入口360人工智能研究院官网https://research.360.cnRevealLayer产品体验https://research.360.cn/products/Reveal-LayerFG-CLIP 2产品介绍https://research.360.cn/products/fg-clip研究院GitHubhttps://github.com/360CVGroup