导读
9 月 8 日至 12 日，计算机视觉顶会 ECCV 2026 在瑞典马尔默举行。与往年不同，今年大会聚焦"Agentic Commerce（智能体商业）”这一贴近现实世界的命题。由中国科技公司钛动科技牵头的 MARS2 Workshop 成为全场焦点，汇聚牛津、MIT 等顶尖学者，探讨多模态 AI 如何理解商业意图并驱动决策。这场赛事不仅划清了当前 AI 的能力边界，更为产业界提供了“证据链工程”等落地思路。
直击 MARS2 Workshop：学术与产业的首次深度碰撞
MARS2 Workshop 全称《大模型时代的多模态推理与慢思考：迈向 System 2 及以上》，是本届 ECCV 唯一由中国科技企业主导的智能体商业方向研讨会。会场座无虚席，牛津大学 Yarin Gal 教授、MIT Paul Pu Liang 助理教授等四位顶尖学者轮番登场，共同探讨多模态 AI 从“感知”向“推理”进阶的关键路径。
研讨会的核心议题指向一个现实问题：AI 能否真正看懂营销视频？为此，MARS2 设置了多模态 AI 挑战赛，基于钛动科技真实商业场景构建的 M-CAR 数据集，包含 3108 支广告视频、覆盖 30 多种语言，旨在测试 AI 在“整体理解、关键帧定位、意图推理”三个维度的能力。
△图片由 AI 生成
赛事结果揭示 AI 能力边界
经过激烈角逐，来自中国科学技术大学、字节跳动等机构的团队脱颖而出。在限制模型参数量（不超过 14B）且必须使用开源权重的硬约束下，来自字节背景的团队"The Boys"斩获 MAC 和 MDC 双赛道冠军。最终成绩显示，MAC 赛道最高分达 86.67，而涉及时序定位的 VTG 赛道仅为 62.27 分。这一差距表明，AI 虽能理解视频大意，但在处理长视频时序关系及深层商业逻辑推理上仍有显著短板。
三大关键信号指引技术演进
本次挑战赛为行业留下了三个重要启示：
第一，明确能力边界。当前多模态 AI 正处于从 System 1（直觉感知）向 System 2（逻辑推理）过渡的阶段，跨片段梳理因果关系仍是难点。
第二，优化路线更具性价比。实验证明，单纯增加参数量对性能提升有限，而引入跨模态“音频证据时间线”等精细数据处理手段，可使定位精度提升 16.7 分。这提示产业界在算力受限时，应优先关注信息对齐与完整性。
第三，确立“证据链工程”落地思路。冠军方案采用 Proposer-Critic 双模型验证机制，要求 AI 基于带时间戳的证据表征生成答案，并通过独立模型进行一致性批判，有效抑制幻觉。这种“让 AI 拿着证据回答问题”的逻辑，是未来商业落地的核心。
△钛动科技 CTO Tracy Chen 博士为获奖团队颁奖
为什么是钛动科技：十年业务沉淀的自然延伸
钛动科技之所以能将 Agentic Commerce 带入顶级学术殿堂，源于其近十年的真实业务积累。作为服务全球 200 多个国家、管理超 4 亿条广告策略的出海服务商，钛动每天都在解决“如何让 AI 看懂不同文化背景下的营销视频”这一多模态难题。
自研模型与智能体平台的双重验证
基于海量实战数据，钛动推出了专为跨境营销打造的自研多模态模型“钛极（Tec-Chi）”。该模型在 SuperCLUE-Mkt 及 SuperCLUE-AdsVU 等专业评测中屡获佳绩，稳居全球前列。此外，营销多智能体平台 Navos 将模型能力融入市场洞察、内容生产及广告投放全流程，实现了从“看懂”到“执行”的闭环。
商业数据是最有力的证明。2025 年前三季度，钛动 AI 营销解决方案收入同比增长 68.5%，占总营收近九成；净收入留存率高达 132.5%。在 ChatGPT Ads 首批测试中，经钛动优化的品牌 ROI 提升至原来的 2.5 倍。这些数据印证了钛动"Useful AI"理念的可行性：以真实业务问题驱动模型迭代，再以商业结果验证技术价值。
技术公司化身“出题人”：产学研融合新趋势
此次钛动科技牵头 MARS2，折射出科技公司在顶会中角色的深刻转变：从单纯的论文参与者变为议程设置者。正如 NVIDIA、Meta 等巨头在 CVPR 上的动作所示，当 AI 技术深入真实世界，最棘手的问题往往诞生于产业一线。企业急需解决方案，学术界渴望验证场景，Workshop 因此成为连接两者的最佳桥梁。
△钛动团队在 MARS2 Workshop 现场
钛动通过 MARS2 扮演了"Agentic Commerce 产学研连接器”的角色，将产业难题转化为学术课题，再将前沿成果回馈商业实践。这不仅推动了多模态 AI 向真实商业场景回归，也预示着未来技术发展的核心方向：不再局限于实验室的指标比拼，而是看在复杂多变的全球市场中，能否真正解决问题、创造价值。
完整报告及开源代码已面向研究社区开放，供全球开发者参考。