ECCV 2026出现新动向：顶尖学者研究如何让AI看懂广告并参与商业决策
ECCV上的新议题：让AI看懂广告
9月初，瑞典马尔默，欧洲计算机视觉大会（ECCV 2026）正在举行。作为计算机视觉领域的顶级会议，ECCV历来是算法、模型和理论的竞技场。但今年，一个更贴近现实的问题被摆上台面：AI能不能做生意？
具体来说，是AI能不能看懂一条营销视频，找出其中的关键时刻，并理解品牌想传达什么、为什么这样设计、效果可能如何。
这个问题出现在名为 MARS2 的Workshop上。全称有点长——《大模型时代的多模态推理与慢思考：迈向System 2及以上》。名字虽学术，议题却很务实：当消费者越来越多地通过AI助手发现、比较和购买商品时，背后的AI智能体是否具备足够的商业理解力？
这场Workshop由一家中国公司——钛动科技牵头举办，是本届ECCV唯一聚焦“智能体商业”（Agentic Commerce）的专题研讨。更引人注目的是，它配套了一场奖金10万美元的挑战赛，吸引了全球64支团队提交超过1060份方案。
学者阵容与核心问题
MARS2的讲台上，坐着几位多模态AI领域的重量级人物。
牛津大学的Yarin Gal教授长期研究AI预测的不确定性，关心模型给出的答案到底靠不靠谱；MIT的Paul Pu Liang助理教授专注多感官智能，探索文字、图像、声音如何被统一理解；伦敦玛丽女王大学的Shanxin Yuan研究数字人动作，林雪平大学的Fahad Shahbaz Khan则深耕视觉语言模型。
他们的分享指向同一个方向：AI不能只停留在“看见”，还要能“想明白”——在复杂、动态、跨模态的信息流中，梳理因果、识别意图，并转化为可靠行动。
这正是MARS2挑战赛的设计逻辑。比赛要回答一个看似简单的问题：AI能看懂营销视频吗？
技术上拆解为三层能力：
- 先理解整条视频讲了什么（整体内容理解）
- 再定位到影响用户决策的关键片段（关键时刻定位）
- 最后推断背后的营销策略和商业意图（策略推理）
这三层对应三个赛道：MAC（Multimodal Advertisement Comprehension）、VTG（Video Temporal Grounding）和MDC（Marketing Decision Comprehension）。
真实广告数据集M-CAR
所有参赛队伍面对的是同一套考卷：M-CAR数据集。
这个数据集由钛动科技基于真实商业场景构建，包含3108支广告视频，覆盖30多种语言，总时长36.5小时。这些视频被精细切分为18198个语义片段，平均7秒一个独立单元，每个片段都带有时间戳和标注。
选手需在本地运行模型，将结果上传至EvalAI平台统一评分。为了公平，比赛设了硬性限制：MAC和MDC赛道模型不超过14B参数，VTG不超过8B，且必须使用开源权重——闭源大模型无法参赛。
最终成绩很有意思：
- MAC最高分86.67
- VTG最高分62.27
- MDC最高分63.53
从整体理解到精准定位再到策略推理，分数差距拉开了20多分。这说明，AI看懂广告“大概讲了什么”已经不是大问题，但要在几十秒的视频里准确找出“哪一帧最关键”、“为什么这样设计能促进转化”，仍是难点。
不同模型类型也表现出明显“偏科”。商用基线模型表现稳定，通用大模型在整体理解上占优，而任务专用模型在关键时刻定位（VTG）赛道尤其突出。看来，AI进考场也讲究术业有专攻。
谁答得最好？
来自中国科学技术大学、南开大学、中山大学等高校，以及字节跳动、京东、小红书等企业的团队纷纷参赛。
最终，一支名为 The Boys 的队伍表现抢眼：拿下MAC和MDC两个赛道的冠军，VTG赛道也获得亚军。这支有字节背景的团队，在有限模型规模下，靠精细的数据处理和推理架构脱颖而出。
VTG赛道冠军则是 Ya PTers，得分62.27。
值得注意的是，有团队在VTG赛道尝试为模型增加一条“音频证据时间线”——把人声、背景音乐、音效的发生时间精确标注，并与画面逐帧对齐。这一改动让定位精度提升了16.7分。相比之下，把模型参数从4B扩到8B，反而导致分数下降0.2分。
这个反常识的结果给产业界提了个醒：算力有限时，与其换更大的模型，不如先让AI“听全、看全、对准”。
证据链工程：冠军方案的核心思路
三个赛道的优胜方案虽然技术细节不同，但共享一个核心理念：让AI拿着证据回答问题。
比如，要判断一条广告如何传达产品价值，冠军方案不会让模型看完视频就直接输出结论。而是分几步走：
- 快速扫描：构建带时间戳的镜头级证据表征
- 主模型生成：基于证据生成初步答案
- 独立批判：由另一个模型验证答案与证据是否一致，抑制无依据的幻觉
视频越长、问题越复杂，系统还会动态分配更多Token，确保模型有足够空间处理信息。这种“Proposer-Critic”双模型架构，加上从粗到细的两阶段定位策略，构成了所谓的 “证据链工程”。
这说明，进入真实商业流程后，模型大小固然重要，但信息如何组织、多模态如何对齐、推理链路是否可验证，同样决定AI能不能真正干活。
赛事结束后，所有评测基准、代码和优胜方案报告都将向研究社区开放，推动这一方向持续发展。
钛动科技：从商业实战到学术出题
为什么是钛动科技能把“智能体商业”带进ECCV？
答案藏在它的业务里。自2017年起，钛动服务中国品牌出海，覆盖200多个国家和地区，管理超4亿条广告策略、1400万个SPU。每天面对的问题非常具体：帮企业在不同市场找用户、做内容、投广告，再把花出去的钱赚回来。
一条广告上线，用户在哪一帧划走、有没有点击下单，后台很快就有反馈。换个国家，答案可能完全不同。几十秒的视频里，画面、文案、音乐、人物情绪交织在一起，共同影响转化——这本身就是一道复杂的多模态题。
近十年反复处理这类场景，钛动积累了一套从“看懂”到“理解”的能力，并沉淀为自研的多模态大模型 钛极（Tec-Chi）。
今年初，钛极问答推理模型Tec-Chi-Think-1.0-32B在SuperCLUE-Mkt广告营销专业测评中以85.82分登顶；半年后，其内容理解模型Tec-Chi-VL-1.0-27B又在SuperCLUE-AdsVU出海视频理解测评中获总榜第二。
但模型强不等于能赚钱。真正验证能力的是落地平台 Navos——一个面向跨境营销的多智能体平台。它把市场洞察、内容生成、广告投放、效果优化等环节串联起来，按企业目标调用不同专业Agent。
实际效果如何？今年7月，钛动成为ChatGPT Ads全球首批官方技术合作伙伴。在定向测试中，某出海品牌经其AI优化后，ROI提升至原来的2.5倍。
财务数据也佐证了这一点：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%；净收入留存率132.5%，老客户不仅没走，还在追加投入。
这套“真实业务提出问题→数据反馈训练模型→Agent嵌入工作流→商业结果验证效果”的闭环，正是MARS2挑战赛的底层逻辑。钛动把已在产业跑通的技术路径开放给学术界，让研究直面真实难题。
技术公司为何扎堆当“顶会出题人”？
MARS2并非孤例。近年来，技术公司在顶会中的角色正在转变——从“交卷者”变成“出题人”。
CVPR 2025的Embodied AI Workshop由NVIDIA、Meta、Apple、Microsoft等联合组织；自动驾驶领域，Waymo持续举办基于真实道路数据的挑战赛。企业把一线遇到的难题直接抛给全球研究者，既加速技术突破，也让学术成果更快落地。
钛动的做法如出一辙。2025年前三季度营收1.30亿美元，毛利率连续三年超82%，账上现金储备4.4亿美元。这份商业成绩背后，是一个极其复杂的多模态业务现场：不同文化、语言、用户偏好叠加画面、声音、文案和商业目标，随便拎出一项，都值得深入研究。
通过MARS2，钛动把这些问题搬上国际舞台，吸引顶尖人才带来新思路，优秀方案再反哺产业。它无意中扮演了 “产学研连接器” 的角色。
更重要的是，这场活动预示了多模态AI的下一个方向：回到真实商业场景中去。
过去比的是模型能不能识别图片或描述视频，接下来要比的是，它能不能在跨文化、多语言、多目标交织的环境中，真正解决问题、创造价值。
顶会讨论什么，往往预示技术走向哪里。这一次，方向明确指向了真实世界。而钛动科技，已经提前一步，把这道题摆上了桌面。