bingdadaECCV 2026 的 MARS2 Workshop 将智能体商业带入计算机视觉顶会，挑战赛显示多模态 AI 在广告整体理解上可达 86.67 分，但营销意图推理仅 63.53 分。实验表明，补充跨模态音频证据时间线可提升定位精度 16.7 分，比扩大参数量更有效。
计算机视觉顶会历来是模型精度与算法创新的竞技场，但在 ECCV 2026 的议程表上，一个更贴近真实交易场景的议题被推到了聚光灯下——Agentic Commerce（智能体商业）。
这场在瑞典马尔默举行的大会，由欧洲计算机视觉协会主办，Google、Meta、Apple、Amazon 等科技巨头作为主要赞助商参与。真正引发讨论的，是一个名为 MARS2 的 Workshop，全称《Multimodal Reasoning and Slow Thinking in the Large Model Era: Towards System 2 and Beyond》。根据 ECCV 官网公开信息，这是本届大会全部 Workshop 中，唯一一个由中国科技公司牵头举办的 Agentic Commerce 方向 Workshop。
牵头方是钛动科技。这家公司近十年在跨境营销场景中处理广告视频、用户行为与投放策略，如今把产业中积累的问题带到了学术社区面前。
MARS2 Workshop 的嘉宾阵容包括牛津大学教授 Yarin Gal（现代贝叶斯深度学习代表学者，领导 OATML 实验室）、MIT 助理教授 Paul Pu Liang（研究多感官智能与跨模态理解）、伦敦玛丽女王大学的 Shanxin Yuan（数字人与运动智能方向）以及林雪平大学的 Fahad Shahbaz Khan（视觉识别与视觉语言模型方向）。
这些研究者共同指向一个判断：多模态 AI 的下一步，不是「看见一段视频、说出几句描述」，而是能在复杂、动态、跨模态信息中找到证据，理解事件如何发生、意图如何形成，并把判断转化为可靠行动。
这一判断在配套挑战赛 MARS2 2026 Challenge 中得到了量化验证。赛事使用基于钛动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，总计 36.5 小时视频被拆分为 18198 个语义片段，平均约 7 秒一个独立片段。
三条赛道的结果呈现出明显的能力落差：
从整体理解到精准定位与策略推理，冠军方案成绩相差 20 多分。这说明模型看懂广告大致内容并不困难，但一旦需要跨越多个片段、梳理时序关系、追溯前因后果并作出商业判断，表现就会明显下滑。这正是从「System 1」感知走向「System 2」推理的距离。
当业界普遍将提升模型能力等同于增加参数时，本次赛事的消融实验给出了不同答案。
VTG 赛道有团队为模型补充了一条跨模态「音频证据时间线」，将人声、音乐和其他声音发生的时间标注出来，再与画面逐一对齐，模型定位精度直接提高了 16.7 分。相比之下，参数量从 4B 扩展到 8B 反而下降了 0.2 分。
这对产业界的提示很直接：算力有限时，与其急于更换更大的模型，不如先让模型「听全、看全」，再把信息对准。冠军方案中反复出现的 Proposer-Critic 双模型验证、从粗到细的两阶段定位、按视频时长灵活分配视觉 Token 等思路，核心逻辑可以概括为一句话——让 AI 拿着证据回答问题。
竞赛技术报告将这套思路称为「证据链工程」。它提醒业界，模型规模固然重要，但进入商业流程后，信息如何组织、不同模态如何对齐、推理链路是否可靠，同样决定 AI 能否真正干活。
值得注意的是，赛事对模型规模设置了硬限制：MAC 和 MDC 赛道模型不超过 14B，VTG 不超过 8B，且只能使用开源权重。这迫使参赛者在有限体量内打磨数据处理与推理方法，而非依赖巨型闭源模型硬压分数。最终，字节跳动背景的团队 The Boys 在 MAC 和 MDC 两条赛道拿下冠军，并在 VTG 赛道获得亚军。
在海外，ChatGPT Ads 等产品正在探索对话式广告与智能体交易；在国内，同类方向的推进呈现出不同节奏。
文心一言、通义千问、DeepSeek、豆包、Kimi、智谱 GLM 等基础模型在中文语义理解与多模态能力上持续迭代，但将模型能力嵌入真实交易链路、形成可验证商业闭环的案例，更多出现在垂直行业服务商一侧。钛动科技自研的钛极（Tec-Chi）系列模型即是其中一例：2026 年 1 月，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；约半年后，Tec-Chi-VL-1.0-27B 在 SuperCLUE-AdsVU 出海营销视频理解测评中以 86.43 分获得总榜第二。
这类垂直模型的路径与通用大模型形成互补：通用模型提供基础理解与推理能力，垂直模型则在特定商业场景中完成证据对齐与意图判断。
钛动科技将 MARS2 定位为「产学研连接器」。其业务基础来自覆盖全球 200 多个国家和地区、服务 10 万+ 品牌出海、累计管理 4 亿+ 条广告策略的实践。这些真实反馈被沉淀为模型可调用的营销知识，再通过 Workshop 开放给全球研究者，优胜方案与评测基准向社区公开。
招股书数据显示，2025 年前三季度，钛动 AI 营销解决方案收入达 1.16 亿美元，同比增长 68.5%，占总收入 89.5%，同期净收入留存率 132.5%。在 ChatGPT Ads 首批广告主定向邀请测试中，某出海品牌经其 AI 技术团队优化后，ROI 提升至原来的 2.5 倍。
技术公司在顶会中的角色变化也值得关注。从 CVPR 2025 的 Embodied AI Workshop（NVIDIA、Meta、Apple、Microsoft、Adobe、Amazon 等参与组织）到 Waymo Open Dataset Challenge，垂直赛道头部企业正从「交卷的人」变为「出题的人」。AI 越往真实世界走，最难的问题越容易出现在产业一线，而 Workshop 成为产业问题与学术方法碰撞的合适场所。
MARS2 指向的方向是清晰的：多模态 AI 的下一阶段，比的不是能否看懂图片和视频，而是能否在不同语言、文化和商业目标交织的环境里，真正解决问题。
MARS2 是 ECCV 2026 期间举办的 Workshop，全称《Multimodal Reasoning and Slow Thinking in the Large Model Era: Towards System 2 and Beyond》，聚焦多模态推理与智能体商业（Agentic Commerce）。根据 ECCV 官网信息，它是本届大会唯一由中国科技公司牵头举办的该方向 Workshop，牵头方为钛动科技。
挑战赛基于 M-CAR 数据集，要求 AI 完成三层任务：看懂整条广告视频、在长视频中定位关键时刻、理解背后的营销意图。三条赛道 MAC、VTG、MDC 分别对应这三层能力，模型规模被限制在 14B 或 8B 以内，且只能使用开源权重。
VTG 赛道实验显示，补充跨模态音频证据时间线使定位精度提高 16.7 分，而参数量从 4B 扩展到 8B 反而下降 0.2 分。这说明在算力有限时，让模型「听全、看全」并对齐多模态信息，比单纯扩大模型规模更能提升商业场景中的实际表现。
钛动科技自 2017 年起服务企业出海，覆盖全球 200 多个国家和地区、服务 10 万+ 品牌，累计管理 4 亿+ 条广告策略。其自研钛极（Tec-Chi）系列模型在 SuperCLUE-Mkt 和 SuperCLUE-AdsVU 测评中取得领先成绩，营销多智能体平台 Navos 则将模型能力嵌入市场洞察、内容生产、广告投放与效果优化流程。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
蚂蚁灵波联合魔搭社区、阿里云天池发起首届具身大模型挑战赛，以 LingBot-VLA 2.0 开源基座为核心，设置仿真初赛与上海真机黑客松决赛，面向全球开发者开放。
太初元碁以集装箱预制化交付与超智融合系统入选“算力中国·年度卓越成就”，为国产算力缺口提供分布式破局思路。
网商银行在外滩大会披露AI银行落地进展：前台百灵2.0面向4200万小微商家开放，后台八大AI工作台覆盖风控、人审、营销、产研。从一句话提额到40万融资方案，AI Agent正在重写小微金融的服务逻辑。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
