2026年上半年360人工智能研究院共有6篇论文被ICLR、CVPR、ICML和ECCV收录覆盖多模态理解与多模态生成两条方向。如果只看单篇论文这些成果分别涉及图文检索、指代分割、无监督视觉学习、图层分解、虚拟试衣和生成加速但把它们放在一起会发现其技术目标高度一致不是让AI看起来更聪明而是让AI在真实场景中看得更准、改得更准、出得更准。最新入选ECCV 2026的MoSA在X海外AI技术社区正在热议的一个新的视觉AI方向它也是理解这条路线的一个很好切口一、MoSAAI能否通过观察运动学会“什么是物体”这条赛道的代表模型是Meta的SAM它证明了通用图像分割模型的能力。用户只需要提供一个点或一个框模型就能分割图像中的目标对象。但SAM的训练依赖大规模人工分割标注。相比普通分类标签分割标注需要沿着物体边缘逐像素勾勒面对遮挡、细小结构和复杂背景时数据成本会进一步增加。MoSA提出了一个更基础的问题AI能否不依赖人工逐个标注而是像人类一样通过观察视频中的运动自主学习“什么是物体”MoSA的完整名称是Motion-Grounded Segment Anything。它利用无标注视频中的运动信息构建监督信号再将这种运动监督转化为能够迁移到静态图像的物体概念。论文将整个过程分成三个阶段。第一阶段是生成运动伪标签。MoSA从视频中提取双向光流并通过刚性物体分割和运动前景分割两个模块分别捕捉独立运动部件和完整动态主体再对候选Mask进行质量筛选和去重。第二阶段是学习物体性。MoSA训练感知分组模型通过对比学习让同一物体内部的图像区域在特征空间中更加接近不同物体区域彼此分离。这样模型逐渐从“哪些区域一起运动”抽象出“哪些区域属于同一个物体”。第三阶段再把这种物体先验迁移到高分辨率、可提示的图像分割模型中。论文明确指出MoSA由运动伪标签生成、感知分组学习和Segment Anything适配三个阶段组成。研究团队从约1万小时视频中生成了约2100万个高质量运动伪标签视频覆盖人类活动、动物行为和道路驾驶等多种场景。在COCO、LVIS、ADE20K等7个数据集上的零样本评测中MoSA明显优于已有无监督分割方法并在不使用人工分割标注训练的条件下取得了接近监督式SAM的表现。这项工作的价值不是宣称MoSA取代SAM而是验证了另一条可能的路线规模无标注视频中的运动信息可以成为训练视觉基础模型的一种可扩展监督来源。二、六篇论文共同指向“让AI精准可控”MoSA并不是一项孤立的研究。从360人工智能研究院2026年上半年的论文布局看6篇顶会论文可以被归纳为“看得准、改得准、出得准”三个层次。“看得准”对应多模态理解包括FG-CLIP 2、AML和MoSA。FG-CLIP 2解决图像与文本之间的细粒度对齐问题AML解决自然语言描述与具体视觉区域之间的精确定位MoSA进一步探索模型如何从无标注视频中自主学习物体概念。这条路线从图文细节匹配逐步延伸到目标定位和开放世界物体认知。“改得准”对应RevealLayer。它关注的不是再生成一张完整图片而是把图像中的具体对象拆分为可独立编辑的RGBA图层并恢复对象背后的背景内容使AI生成图能够继续进入设计和内容生产流程。“出得准”对应RefTON和NAMI。RefTON解决虚拟试衣中的服装细节、材质和多条件控制问题NAMI则关注高质量图像生成的推理效率在现有资料中披露了64%的推理加速。这6篇论文任务不同但解决的是同一个问题AI如何减少“大概正确”增加可定位、可控制、可落地的确定性。三、看得准从图文细节到精确视觉定位FG-CLIP 2关注的是细粒度图文对齐。传统CLIP类模型擅长判断一张图片与一句话在整体语义上是否相关但在颜色、数量、位置、属性和对象关系等细节上往往还不够精确。例如“一辆汽车停在路边”和“一辆黄色汽车停在瀑布旁”都包含汽车但在真实检索中颜色、环境和位置关系可能才是用户真正需要的条件。从360 AI Research平台展示的方法看FG-CLIP 2采用两阶段训练。第一阶段通过全局对比学习建立图像与长短文本之间的基础对齐第二阶段进一步加入区域级描述、难负样本和细粒度学习使模型能够捕捉局部区域与文本细节之间的关系。FG-CLIP 2增加了中文数据、动态分辨率机制和新的损失设计支持长文本检索、短文本检索、文搜图、图搜文、文搜文和图搜图等能力。它解决的不是“能否搜到相关图片”而是“能否按用户描述的细节找到真正匹配的内容”。AML则进一步把图文对齐推进到了像素级目标定位。AMLRIS的正式任务是指代表达图像分割。输入一张图像和一句自然语言描述模型需要从多个相似对象中找到唯一目标并输出其像素级Mask。AML的核心思想很直接不是所有图像区域都值得参与训练。论文首先通过PatchMax Matching Evaluation计算视觉Patch与文本Token之间的相似度再利用Alignment-Aware Filtering Mask过滤低对齐区域使模型集中学习更可靠的视觉—语言关系。AML采用两次前向传播第一次生成相似度图和过滤Mask第二次使用过滤后的图像训练模型。推理阶段则不需要这套过滤过程因此不会增加额外推理结构和开销。在RefCOCO、RefCOCO和RefCOCOg的8个数据划分上AMLRIS取得了新的最佳结果在遮挡、低光、雾化和颜色扰动等条件下也表现出更好的鲁棒性。虽然这篇论文并不是专门针对GUI Agent设计但它强化的能力与Agent视觉Grounding高度相关。用户对Agent说“点击右侧蓝色按钮”时模型不仅要理解语言还要在复杂界面中找到唯一目标。一旦定位错误后续操作就可能全部出错。因此FG-CLIP 2、AML和MoSA形成了一条很清晰的能力递进FG-CLIP 2看懂图文细节AML找准语言所指目标MoSA进一步学习物体概念本身。四、改得准、出得准从图层分解到高保真虚拟试衣生成式AI可以快速生成一张完整图片但在真实设计工作流中一张扁平图像往往还不够。用户可能需要单独移动人物、替换商品、修改背景或者删除某个对象后恢复被遮挡区域。传统生成模型输出的通常只是RGB图像主体、背景和不同对象已经混合在一起难以继续精细编辑。RevealLayer解决的正是这个问题。用户通过Bounding Box指定目标对象后系统可以把对象提取为独立RGBA图层。RGBA相比RGB多了Alpha透明通道因此结果不是普通矩形裁剪而是可以继续移动、组合和编辑的透明对象层。同时模型还会恢复目标对象背后的背景内容。这意味着RevealLayer同时完成目标对象分离透明边界估计被遮挡背景恢复。它与传统语义分割或普通抠图的区别在于最终输出的是可继续编辑的数字资产而不仅是一张Mask。RevealLayer目前已经上线360 AI Research平台用户可以直接上传图片并体验图层拆分能力RefTON则把“可控生成”放进了虚拟试衣场景。虚拟试衣并不只是把一件衣服覆盖到人物身上。模型还要保持人物身份、姿态、身体比例和背景同时还原服装的版型、纹理、Logo、透明度、蕾丝和镂空结构。传统方法通常依赖人体解析、姿态估计、服装Mask和Warp Mask等多个外部模块。RefTON尝试简化这一过程并引入一个很符合真实购物习惯的输入****平铺服装图往往难以完整表现服装的透明度、材质和穿着效果而模特上身图可以提供更直观的视觉参考。论文中的案例显示加入参考图后模型对透明材质和蕾丝领口等细节的还原更加准确。RefTON采用两阶段训练第一阶段使用带Mask和姿态等条件的试衣模型生成训练数据第二阶段训练Person-to-Person模型使模型可以直接使用人物图、服装图和可选参考图完成虚拟试衣。论文还通过随机输入Mask版本或完整人物图使同一个模型兼容有Mask和无Mask两种使用方式并对Flux-Kontext的多条件位置编码进行了适配。RevealLayer和RefTON分别代表了两种可控能力RevealLayer让生成后的对象可以被精确拆分和编辑RefTON让生成过程受到人物、服装和参考图的共同约束。NAMI则补上效率这一环。现有资料显示NAMI面向高质量图像生成效率实现了64%的推理加速。由于当前没有更完整的论文材料这里不进一步展开其架构细节。三项工作可以概括为RevealLayer解决怎么精确编辑RefTON解决怎么按条件生成NAMI解决怎么更高效地出图。五、从顶会论文到产品安全公司更关心AI是否可靠论文指标能够证明模型能力但对开发者和产业用户来说更重要的问题是**这些能力能不能进入真实产品**而安全行业长期面对复杂环境对精准判断和可靠结果有天然需求。“差不多对”在这里行不通。所以360具备探索AI精准可控的天然能力。从现有平台看FG-CLIP 2和RevealLayer已经完成了产品化。FG-CLIP 2被封装为图文跨模态检索能力支持不同形式的图文检索与向量化接口RevealLayer则提供网页交互体验用户可以上传图片、指定目标对象并查看图层分解结果。这说明360人工智能研究院的部分研究已经形成了“研究问题—模型能力—平台服务—业务场景”的闭环。从FG-CLIP 2的细粒度图文对齐到AML的目标定位再到MoSA的自主物体学习从RevealLayer的图层分解到RefTON的参考图约束生成再到NAMI的效率优化360人工智能研究院2026年上半年的6篇顶会论文实际上在回答同一个问题当AI真正进入Agent和产业工作流如何减少“大概如此”增加可定位、可约束、可复用的确定性。MoSA是最新的一个切口。更值得关注的是它背后逐渐清晰的一条研究路线让AI看得更细、找得更准、改得更稳并最终进入真实产品。
