在刚刚结束的CVPR2026上，一个重磅信号刷屏：计算机视觉的“内卷”到头了。过去十年，大家拼命让AI看清世界，ImageNet分类准确率从70%追到99%，再往上提1%要花几百万美元，收益却微乎其微。今年的大会直接摊牌：别比谁看得准了，要比谁想得聪明。
具体怎么个聪明法？举个例子。以往的多模态模型（比如能看图说话的AI）遇到任何问题都要先“思考”一遍，哪怕只是问“图片里是猫还是狗”，它也要走一遍所谓的“思维链”——把语言推理步骤全写出来。这就像你每次出门前都先做一套数学题，太浪费了。新出的VideoAuto-R1框架提出“按需推理”：简单问题直接回答，只有碰到复杂逻辑（比如“这张拼图怎么缺了一块？”）才启动深度推理。实验证明，这样既保持最佳成绩，还把平均推理长度压缩了3.3倍，速度更快，能耗更低。
更关键的是，AI的“思考方式”也在变。过去模型处理空间关系（比如“桌子的左边是什么？”）必须把画面转成一行行的文字描述，就像画画要先用嘴描述一遍，既别扭又容易出错。现在的新趋势是让模型在“潜在空间”直接做隐式推理——不经过语言，直接在像素层面完成判断。这好比人脑看拼图时，不用心里嘀咕“这块蓝色应该放右上角”，靠直觉就能拼好。
另一个大转折是评测体系的“打脸”。目前主流的视觉语言评测，比如选择题，问“图片里是什么动物？A.猫 B.狗 C.鸟”，模型常常靠排除法或选项偏差蒙对。有研究指出，这种考核方式可能把模型真实能力虚高估了20个百分点——相当于考卷全是选择题，学渣也能拿60分。于是业界开始推行“可验证开放问答”，强迫模型真正看懂内容，不能靠投机取巧。同时，评测场景也从一张静态图升级到多智能体环境。比如新基准VS-Bench，要求AI不仅要看懂一个房间，还要和其他AI进行合作或竞争，比如“你和另一个机器人一起搬箱子，怎么分工？”——这已经不是在考视觉，而是在考策略和决策能力。
基础设施层面，开源模型正在“裸奔”。比如Molmo2不仅开放了权重，连数据和训练流程全公开，能力从单图扩展到视频，还能精确指出物体位置（比如“那个红色杯子在桌角”）。支撑这些的是更真实的数据集。过去训练AI修图，用的都是合成数据，AI往往不懂常识（比如修掉人脸上的痣后，背景不能变形）。新出的Pico-Banana-400K数据集收集了真实用户的多轮编辑操作，让AI学会更符合逻辑的修改。
总结一句话：视觉AI不再是“摄像头”，它正在变成“大脑”。从看清世界，到理解世界，再到在世界上行动——这波重塑，不是微调，是换骨。接下来，谁能把感知、推理、决策串成一条线，谁才是真正的赢家。