当多模态AI走进交易链路：ECCV 2026 上的智能体商业命题与产业解法

bingdada

九月 11, 202685 次阅读约 8 分钟阅读

快速回答

ECCV 2026在瑞典马尔默举行的MARS2 Workshop上，钛动科技牵头举办唯一聚焦Agentic Commerce的中国企业Workshop，其配套挑战赛基于3108支广告视频、30多种语言、36.5小时拆分为18198个语义片段的数据集，三条赛道最高分分别为MAC 86.67、VTG 62.27、MDC 63.53，整体理解与精准定位及意图推理间存在20多分落差，表明多模态AI从感知走向System 2推理的关键瓶颈在于跨片段时序对齐与商业判断，而非单纯增加参数。

核心要点

ECCV 2026 的 MARS2 Workshop 是本届唯一由中国科技公司牵头举办的 Agentic Commerce 方向 Workshop。
MARS2 挑战赛三条赛道成绩落差明显：整体理解 86.67 分，关键时刻定位 62.27 分，营销意图推理 63.53 分。
音频证据时间线使 VTG 赛道定位精度提高 16.7 分，而参数量从 4B 扩展到 8B 反而下降 0.2 分。
冠军方案采用 Proposer-Critic 双模型验证与从粗到细的两阶段定位，核心是让 AI 拿着证据回答问题。
钛动科技通过钛极大模型与 Navos 多智能体平台，将多模态能力嵌入真实营销流程并验证商业结果。

从视觉识别到商业决策：顶会议程正在转向

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。

多模态AI的能力边界：看懂内容容易，理解意图难

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：

MAC（整体理解）赛道最高分 86.67
VTG（关键时刻定位）赛道最高分 62.27
MDC（营销意图推理）赛道最高分 63.53

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。

一条反常识的优化路径：对齐比堆参数更有效

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。

国内视角：智能体商业的另一种推进方式

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。

从技术闭环到学术开放：产业问题如何反哺研究

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。

常见问题

MARS2 Workshop 是什么？

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。

MARS2 挑战赛考察什么能力？

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。

为什么音频证据时间线比增加参数量更有效？

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。

钛动科技在智能体商业方向有哪些积累？

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。