ECCV 2026：钛动科技布局多模态AI智能体商业

每当AI技术迎来新的突破节点，国际顶级学术会议往往会率先释放出清晰的方向信号。2026年9月8日至12日，欧洲计算机视觉顶会ECCV在瑞典马尔默举办，这场汇聚了谷歌、Meta、苹果、亚马逊等全球科技巨头的盛会中，一个贴近真实商业的命题成为了全场焦点：智能体商业（Agentic Commerce）。

在这场原本以计算机视觉研究为核心的顶会上，来自全球顶尖高校的学者们开始聚焦一个看似跨界的话题：如何让AI真正参与到商业活动中。其中最受关注的，当属由中国科技公司钛动科技牵头举办的MARS2 Workshop。这场研讨会不仅座无虚席，配套的挑战赛也吸引了64支全球团队参赛，累计提交超过1060份方案，10万美元的奖金池让这场学术竞赛的热度拉满。

MARS2的全称为《大模型时代的多模态推理与慢思考：迈向System 2及以上》，其核心议题直指当前AI发展的关键拐点：当AI智能体逐渐渗透到消费者发现、比较、购买的完整交易链路中，多模态AI能否真正理解商业内容的意图，并据此优化商业决策？作为本届ECCV唯一由中国企业牵头的智能体商业方向研讨会，MARS2的学术号召力从嘉宾阵容中可见一斑。

本次研讨会邀请到了四位顶尖学者：牛津大学教授Yarin Gal，作为现代贝叶斯深度学习的代表人物，长期关注AI输出结果的可靠性；MIT媒体实验室与电子工程与计算机科学系助理教授Paul Pu Liang，专注于多感官智能研究，探索文字、语音、视频等跨模态信息的融合理解方式；伦敦玛丽女王大学的Shanxin Yuan主攻数字人与运动智能，林雪平大学的Fahad Shahbaz Khan则深耕视觉识别、视觉语言模型与多模态理解领域。这样的豪华阵容，足以证明这场研讨会的学术分量。

四位嘉宾的分享共同指向了多模态AI的进化方向：不再局限于“识别视频内容、生成简单描述”，而是能够在复杂动态的跨模态信息中提取证据、梳理逻辑、理解意图，并将判断转化为可落地的商业行动。这一思路也正是MARS2多模态AI挑战赛的设计底层逻辑——这场竞赛的核心问题正是：AI能否看懂营销视频？

具体来看，挑战赛要求AI完成三层能力的验证：首先完整理解整条广告视频的内容，其次精准定位视频中的关键节点，最后读懂视频背后的营销意图。这三层能力分别对应了挑战赛设置的三个赛道，所有参赛团队都需要基于M-CAR数据集完成答题。

M-CAR是基于钛动科技真实商业场景构建的高质量数据集，包含3108支覆盖30多种语言的广告视频，36.5小时的总时长被精细拆分为18198个语义片段，平均每7秒就有一个独立的语义单元。参赛选手需要在本地运行模型完成答题，再将结果上传至EvalAI平台进行统一评分与排名，而且本次竞赛还有严格的模型限制：MAC和MDC赛道的模型参数不得超过140亿，VTG赛道不得超过80亿，且只能使用开源权重，彻底杜绝了依靠巨型闭源模型刷分的可能。

经过激烈角逐，竞赛结果展现出了多模态AI当前的能力边界：MAC赛道（整体内容理解）的最高分达到86.67，而VTG（关键节点定位）和MDC（营销意图拆解）的最高分仅为62.27和63.53，两个赛道的冠军成绩比MAC低了20多分。这意味着，看懂广告的大致内容只是第一步，在长视频中精准定位关键节点、拆解深层营销意图，仍是多模态AI需要攻克的难点。

不同类型的模型也展现出了明显的能力分化：作为对照基线的商用模型在三个赛道中表现较为均衡，通用模型与任务专用模型则各有优劣，其中任务专用模型在VTG赛道的表现尤为突出，印证了“术业有专攻”的道理。最终，来自中科大、南开、中山等高校的学者，以及字节跳动、京东、小红书等企业的团队参赛，字节跳动背景的The Boys团队拿下了MAC和MDC两个赛道的冠军，VTG赛道的冠军则由Ya PTers获得，The Boys同时还拿下了一个亚军，展现出了极强的技术实力。

这场挑战赛不仅决出了优胜团队，更给学术界和产业界带来了三个关键启示。

第一，它清晰划清了当前多模态AI的能力边界。现有模型已经可以较好地理解广告的大致内容，但当需要跨多个语义片段梳理时序关系、追溯前因后果并做出商业判断时，性能会出现明显下滑，这正是从System 1的快速感知到System 2的深度推理之间的差距。直白来说，AI已经学会“看”广告，但距离真正理解商业逻辑、参与商业决策还有一段距离。

第二，它给出了一条性价比更高的模型优化路线。很多人提到提升模型能力时，第一反应是增加参数量，但本次竞赛的消融实验给出了反常识的结果：有团队通过为模型构建跨模态的“音频证据时间线”，将人声、音乐等音频信号的发生时间与画面逐一对齐，直接将VTG赛道的定位精度提升了16.7分；而将参数量从40亿扩展到80亿，反而带来了0.2分的性能下降。这一结果提示产业界，在算力有限的情况下，与其急于更换更大的模型，不如先让模型充分整合全模态信息、对齐不同来源的内容。

第三，它提供了一套清晰的商业落地思路。三个赛道的冠军方案都采用了Proposer-Critic双模型验证、从粗到细的两阶段定位，以及根据视频时长灵活分配模型处理信息量的策略，核心逻辑可以概括为“让AI拿着证据回答问题”。比如当需要AI判断广告如何传递产品核心卖点时，系统不会直接让模型看完视频后给出结论，而是先快速扫描视频构建带时间戳的镜头级证据表征，由主模型生成初步答案，再交由另一个模型独立验证证据的一致性，抑制无依据的幻觉输出；视频越长、问题越复杂，系统还会分配更多的处理资源，确保模型有足够的信息完成推理。竞赛技术报告将这套思路总结为“证据链工程”，这也启发业界：模型的参数固然重要，但在商业场景中，信息的组织方式、跨模态对齐的精度、推理链路的可靠性，同样决定了AI能否真正落地应用。

竞赛结束后，赛事设计、评测结果和优胜方案都被整理成技术报告，相关评测基准与代码也将向全球研究社区开放。钛动科技CTO Tracy Chen博士表示，MARS2的成功举办验证了一个判断：AI智能体正在从概念走向真实商业场景，而营销领域正是少数既需要复杂智能、又能快速验证效果的赛道之一。钛动科技品牌公关VP张羽雪也在闭幕致辞中提到，这场研讨会展现了前沿技术如何解决真实商业难题，这也是钛动在国际顶会组织研讨、举办挑战赛的核心目的。

那么，为什么钛动科技能够将智能体商业的核心关切带进ECCV？事实上，MARS2所要解决的“AI能否看懂商业视频并理解营销意图”的问题，钛动已经在真实业务中探索了近十年。这家从2017年开始服务企业出海的科技公司，覆盖了全球200多个国家和地区，服务超过10万家品牌，累计管理超过4亿条广告策略与1400万个SPU，在长期的业务实践中积累了从“看懂”到“理解”的多模态能力，MARS2正是其长期业务积累与多模态AI布局的自然延伸。

钛动的业务每天都在处理复杂的多模态场景：一条几十秒的广告视频中，画面、文案、音乐、产品细节和人物情绪共同影响着用户的决策，而不同国家、不同文化背景的用户对同一广告的反馈也可能截然不同。近十年来，钛动反复打磨这些场景，沉淀了大量基于真实商业反馈的营销知识，这些经验最终转化为了自研的跨境营销多模态模型——钛极（Tec-Chi）。

钛极的性能已经得到了市场的验证：今年1月，钛极问答推理模型Tec-Chi-Think-1.0-32B以85.82分登顶广告营销专业大模型测评榜SuperCLUE-Mkt；半年后，钛极的内容理解模型Tec-Chi-VL-1.0-27B又在SuperCLUE-AdsVU出海营销视频理解测评中以86.43分获得总榜第二，与阿里巴巴的千问Qwen3.7-Max-20260608并列亚军。在营销这一专业领域，钛极大模型已经稳居全球前列。

但技术最终需要落地才能体现价值。钛动推出的营销多智能体平台Navos正是将钛极的能力转化为商业价值的载体：如果说钛极大模型负责“看懂”和“想明白”，那么Navos就是将这些能力整合进商业流程的执行者，它将分散在不同模型、工具和业务流程中的能力整合到统一入口，根据企业目标调用不同的专业智能体，将AI真正融入市场洞察、内容生产、广告投放和效果优化等全链路营销环节。

有人认为这只是常见的“大模型+智能体平台”的打法，但真正拉开差距的是结果。商业市场的评判标准从来都是实际的收益：今年7月，钛动成为ChatGPT Ads全球首批官方技术合作伙伴，在首批广告主定向邀请测试中，某出海品牌在钛动AI技术团队的优化下，营销成本显著下降，ROI提升至原来的2.5倍。单个案例或许只是单点突破，但钛动的整体业务数据更能说明问题：2025年前三季度，其AI营销解决方案收入达到1.16亿美元，同比增长68.5%，占公司总收入的89.5%，同期净收入留存率达到132.5%，这意味着老客户不仅留存率高，还在持续增加投入。

钛动一直强调的“有用的AI”，本质上是一套完整的闭环：真实业务提出问题，数据和用户反馈进入模型训练，智能体将模型能力融入工作流，最终用商业结果验证技术的价值。从数据到模型，再到应用和可验证的商业价值，这条路径钛动已经在产业中跑通，而MARS2正是将这套已经在商业战场验证过的技术闭环开放给全球研究者，让产业问题进入学术研究，再让研究成果回馈产业。

回顾钛动在ECCV牵头举办MARS2的过程，不难发现科技公司在国际顶会中的角色已经发生了悄然变化。过去科技公司更多是派研究员参会、发表论文，以“参与者”的身份融入学术圈；而现在，越来越多垂直赛道的头部企业开始直接成为“议程设置者”，从过去的“交卷人”变成“出题人”。

这样的趋势并非个例：2025年的CVPR上，Embodied AI Workshop的组织者名单中就出现了英伟达、Meta、苹果、微软、Adobe、亚马逊等大厂的身影；同年的自动驾驶研讨会也继续举办Waymo Open Dataset Challenge，将真实道路上的自动驾驶问题直接摆在全球研究者面前。当AI越来越贴近真实世界，最棘手的问题往往最先出现在产业一线，企业迫切需要解决方案，而研究者也需要真实的场景来验证新技术，两者的需求一拍即合，让Workshop成为了产学研对接的重要平台，钛动牵头MARS2正是走在了这条路上。

2025年前三季度的数据显示，钛动总营收约1.30亿美元，同比增长74.5%，其中AI营销解决方案占比89.5%，净利润达到5568万美元，且连续三年保持超过82%的毛利率，账上现金储备超过4.4亿美元。这份商业成绩背后，是复杂的多模态业务现场：不同市场、文化、用户群体，加上画面、声音、文案和营销目标的交织，每一个环节都对多模态AI提出了极高的要求。钛动将这些问题搬进MARS2，通过出题邀请全球顶尖研究者提供新思路，再将优质方案回馈产业，同时为全球AI人才搭建了对接产业一线的桥梁，真正扮演了智能体商业方向的“产学研连接器”。

从更宏观的视角来看，MARS2所指向的，正是多模态AI未来的核心发展方向：回归真实商业场景。过去的多模态AI比拼的是识别图片、理解视频的能力，而未来的竞争将聚焦于在多元语言、文化和商业目标交织的环境中，真正解决实际问题的能力。顶会讨论的议题往往预示着技术的下一步走向，这一次，AI的进化方向已经清晰地指向了真实商业世界，而钛动科技已经提前一步，将这道题摆上了全球学术与产业的桌面。

完整报告：
https://openreview.net/forum?id=60wA5w8i5L
开源地址：
https://mars2workshop.github.io/eccv2026/