摘要

一家全球领先的安全公司做 AI 基座模型，和一家消费级聊天机器人公司做 AI，关注点会很不一样。前者强调可靠性、鲁棒性、可控性和真实生产场景；后者追求惊艳的对话体验和创意生成。

2026 年上半年，360 人工智能研究院有 6 篇论文被 ICLR、CVPR、ICML、ECCV 等 AI 顶会收录。如果只把它们当成 6 篇孤立的学术成果，会错过更重要的故事——这 6 篇论文共同构成了一条和消费级 AI 完全不同的研究路线，一条由"安全基因"塑造的产业 AI 路线。

一、安全公司做 AI：从第一天起，关注点就不一样

近期，这 6 篇论文在海外 X 平台引发了相当密集的讨论。海外技术社区一个普遍的反馈是：360 AI 的研究方向明显面向 Agent 和产业应用场景，关注"精准可控"，而不是"聊天陪伴"或"创意生成"。

这个反馈背后，是一个被低估的问题——为什么一家全球领先的安全公司做 AI 基座模型，值得技术圈认真关注？

答案不是"又多了一家做 AI 的公司"。而是：安全公司做 AI 的底层逻辑，从一开始就和消费级聊天机器人公司不同。安全业务有几个天然属性，恰好和 Agent、产业应用对 AI 的要求高度重合：

1. 对抗性是日常。安全公司每天处理的就是被恶意构造的输入、对抗样本、边界条件、异常环境。对鲁棒性的追求，不是论文里的口号，而是产品活下来的前提。
2. 可靠性是底线。安全产品不能"差不多对"——漏报一次入侵、误报一次威胁，都是真金白银的损失。这训练出一种对"准确率、召回率、可控边界"近乎严苛的工程审美。
3. 复杂环境是常态。从企业内网到移动端，从 PC 到 IoT 到车机，安全能力必须在各种硬件、网络、系统条件下稳定工作，而不是只在理想环境下漂亮。
4. 可控性是前提。安全决策必须可解释、可追溯、可干预。这恰恰也是产业 AI 和 Agent AI 最稀缺的能力。

可靠性、鲁棒性、可控性、复杂场景适应性——这四点不是 360 市场包装出来的，是安全业务活下来必须长出来的能力。当一家具备这些能力的公司去做 AI 基座模型，它的关注点天然就和"做聊天机器人"的公司分道扬镳。这也是 2026 年上半年 6 篇顶会论文背后真正值得技术圈关注的故事。

二、6 篇论文不是孤立成果，是这条路线的 6 个证据

把 6 篇论文摆在一起，主线非常清楚：让 AI 更精准、更可控、更接近真实生产场景。它们分两个方向，每篇都对应解决一个"消费级 AI 做不好"的真实产业问题。

多模态理解方向：让 AI 在复杂真实环境下"看准"

消费级 AI 模型在视觉理解上的典型短板是"差不多就行"——这对浏览图片分享聊天够用，但放进产业场景就崩。Agent 找不到用户想点的按钮、电商检索分不清相近商品、视觉感知在光照变化下失灵——这些都是"差不多"在产业里的代价。360 这条理解方向的三篇论文，正是逐层解决"看不准"的问题。

FG-CLIP 2（ICML 2026）：让检索从"差不多匹配"到"真正匹配"

FG-CLIP 2（论文标题《FG-CLIP 2: A Bilingual Fine-grained Vision-Language Alignment Model》）解决的是 CLIP 类模型的"近视"和"粗粒度词袋效应"——传统模型只理解整体语义，无法区分细节差异。它是 360 在 2025 年 FG-CLIP 工作基础上的二代模型，做了几个关键升级：

• 双阶段层次化训练：第一阶段用短描述+长描述做全局对齐；第二阶段引入区域级对齐和细粒度对比信号；
• 五项训练目标：包括全局对齐损失 LGlobal、细粒度视觉学习 LFGV、细粒度文本学习 LFGT、全新的文本模态内对比损失 LTIC（区分语义相近但不同的描述）、跨模态排序损失 LCMR；
• 架构升级：文本输入从 64 token 扩到 196 token，引入数据自适应分辨率，用 Masked Attention Pooling + Dense Head 替代 CLS-only 池化；
• 双语新数据集：发布 FineRegion-CN，包含 1200 万张中文区域-文本对，补齐业界中文细粒度训练数据缺口。

在 29 个数据集、8 类任务的评测上，FG-CLIP 2 超越 SigLIP 2 和 MetaCLIP 2 等最新强基线，中英双语性能达到全球第一。这种"分得清细微差异"的能力，正是消费级 AI 最容易忽略、而产业检索（电商、云盘、企业搜索）最刚需的能力。

AML（ICLR 2026）：让 Agent 在扰动环境下稳定定位目标

AML（全名 AMLRIS：Alignment-Aware Masked Learning for Referring Image Segmentation）针对的是一个被长期低估的问题——模型虽然能理解文本，却无法准确定位文本对应的视觉目标。比如"离人最近的那只长颈鹿"、"下方的西兰花"这类需要细粒度判别的描述，传统 RIS 模型容易被背景干扰，关注大量无关区域，导致定位不稳、交互失败。

AML 的思路很干净：不是改进架构，而是改进监督信号。它包含两个核心组件：

• PMME（PatchMax Matching Evaluation）：在前向过程中，计算每个视觉 patch 与最相似语言 token 的相似度图，量化 patch-文本对齐质量；为解决视觉和语言骨干网络维度不匹配的问题，引入 Johnson-Lindenstrauss 随机投影把两个模态映射到统一空间；
• AFM（Alignment-aware Filtering Mask）：基于相似度图，屏蔽掉相似度低于自适应阈值的****像素，让模型只在"高质量对齐区域"上做梯度更新。

AML 的工程价值在于：不改动架构、不增加推理开销，可以方便地集成到多种现有 RIS 模型上。在 RefCOCO/RefCOCO+/RefCOCOg 8 个 split 上全部 SOTA。更关键的是，在遮挡、雾化、强光、暗光、对比度变化、颜色抖动等 7 种扰动场景下，鲁棒性显著优于基线——这一项尤其重要。鲁棒性不是消费级 AI 的核心 KPI，但是 Agent、产业应用的生死线。GUI Agent、浏览器智能助手、自动化办公这些场景里，光照变化、界面遮挡是常态，AML 这种在扰动下仍能稳定定位的能力，恰恰是产业 AI 必须长出来的。

多模态生成方向：让 AI 生成"可控"

消费级 AI 的生成目标通常是"出一张好看的图"。产业场景里的目标完全不同——“按我说的改”“改完还能再改”“细节不能糊”。这一方向的三篇论文，都是关于把"生成"从一次性输出变成可控、可拆、可干预的工程过程。

RevealLayer（ICML 2026）：让图像可拆、可改、可干预

RevealLayer（论文标题《RevealLayer: Disentangling Hidden and Visible Layers via Occlusion-Aware Image Decomposition》）解决的是图像编辑领域一个长期难题：把一张 RGB 图分解成多个可编辑的 RGBA 图层——前景、背景、被遮挡内容，每一层都要独立、干净、带透明信息。

过去的方法要么是多阶段级联（分割 → matting → inpainting），错误会逐层累积；要么是端到端方法，但缺乏显式控制、边界模糊、有残影。RevealLayer 在 FLUX.1 [dev] 的 MM-DiT 架构基础上，引入三个核心组件：

• Region-Aware Attention（RAA）：通过注意力掩蔽约束跨区域 token 交互，让"可见区"和"隐藏区"在特征层面就分开，避免层间信息泄露；
• Occlusion-Guided Adapter**（OGA）：利用上下文信息补全被遮挡的部分**——比如被前景挡住的背景、被目标 A 遮挡的目标 B；
• 复合损失（alpha + orthogonality）：alpha 损失把边界精确到像素级，正交损失抑制残影和背景残留。

配合自建的 RevealLayer-100K 数据集（10 万张高质量多层自然图标注）和 RevealLayerBench 基准，RevealLayer 在所有指标上超越现有方法。这种"用户框选就能拆"的能力，对应的是设计、电商、内容生产、视频后期这些真实产业需求（产品上线情况见第四节）。

**RefTON（**CVPR 2026）：让产业级生成精准到材质细节

RefTON（论文标题《RefTON: Person-to-Person Virtual Try-On with Unpaired Visual References》）针对虚拟试衣的行业痛点。现有方法依赖人体姿态、图像分割、garment mask 等多个外部模型，流程长且易出错，更关键的是——单纯从平铺服装图，根本无法准确还原透明材质、蕾丝花边、复杂纹理这些细节。

RefTON 的破法很有意思——借鉴人类买衣服的行为：参考"别人穿这件衣服的样子"。它创新性地引入"上身参考图"作为视觉指引，仅需人物原图+目标服装图，无需任何外部辅助模型。技术上基于 Flux-Kontext 图像编辑架构，修改 RoPE 位置索引以支持多条件输入，配合两阶段训练策略，首次在单个模型内同时支持 mask-based 和 mask-free 两种试衣模式。

消费级 AI 试衣只需要"看起来像"，电商产业级试衣要求"材质不能糊"——透明面料、蕾丝领口这些细节直接决定用户是否下单。RefTON 解决的就是这种"差一点点"的产业鸿沟。

**NAMI（**CVPR 2026）：让可控生成在端侧跑得动

NAMI 解决的是高分辨率图像生成的**“效果-速度"两难**。主流模型因为参数量庞大，普遍存在推理延迟高、算力消耗大、难以在端侧部署的问题；而为了速度快牺牲精度，又会出现"出图糊、文本语义对不上"的问题——也就是行业里常说的"效果好则速度慢、速度快则效果打折扣”。

NAMI 的设计思路很有结构感——按分辨率分阶段拆解生成过程：低分辨率阶段快速搭建图像的整体轮廓、确定构图和语义框架；高分辨率阶段精细化打磨细节、保证画质和文本语义对齐能力。关键挑战是如何让不同分辨率阶段的流之间精准对齐——这正是 NAMI 自研的 BridgeFlow 模块要解决的问题。整体上 NAMI 提出的是桥接****渐进式 Rectified Flow 架构，让多阶段流之间能够桥接过渡、不出现断层。

结果：在画质、文本语义对齐能力比肩国际顶尖模型的前提下，把 1024×1024 高分辨率图像的推理时间降低 64%。让大模型生成跑在端侧和移动端——这是消费级 AI 不会优先考虑的工程命题，但它是产业 AI 的现实约束（车机、IoT、移动端的真实部署条件决定了云端大模型不是万能解）。

把 6 篇连起来看

把 6 篇放在一起，每篇都对应消费级 AI 容易忽略、产业 AI 必须解决的一个问题：

论文	解决的产业问题	对应消费级 AI 的短板
FG-CLIP 2	检索/匹配分不清细节	CLIP 的"粗粒度词袋效应"
AML	Agent 在扰动环境下定位失灵	模型在 OOD 场景下崩
MoSA	视觉基础模型数据依赖瓶颈	离开人工标注就扩展不动
RevealLayer	图像不可拆、不可控编辑	只能"生成"不能"分层修改"
RefTON	产业级材质细节还原不了	试衣只追求"看起来像"
NAMI	大模型生成无法端侧部署	推理延迟高、算力消耗大

6 篇论文 = 6 个产业 AI 必须解决而消费级 AI 不会优先解决的问题。这不是巧合，是安全基因决定的。

三、典型案例：MoSA 为什么必然诞生在这种研究路线下

讲清楚这条路线之后，再回头看这次传播的主切口——ECCV 2026 这篇 MoSA（Motion-Grounded Segment Anything，论文标题《Seeing as Humans Do: Learning from Motion to Segment Anything Without Supervision》）。

ECCV 2026 共收到 10,473 篇投稿，最终录用 2,883 篇，接收率约 27.5%。MoSA 是这条研究路线下最典型的样本——它探索的不是一项具体能力的突破，而是视觉基础模型训练范式的可能性。

SAM 在零样本分割上确立了新标杆，但它的训练重度依赖人工标注的 SA-1B 数据集——这种依赖构成了进一步扩展模型规模的根本瓶颈。MoSA 要回答的是一个更基础的问题：AI 能否像人一样，仅通过观察世界中的运动，自主学会"什么是一个物体"？

发展心理学中的格式塔理论早就指出：人类对"物体"概念的分组能力，主要由运动线索驱动。MoSA 从这一认知原理出发，设计了一个三阶段无监督框架：

1. Multi-Granularity Motion Segmentation**（MGMS）**：在合成数据上预训练后，应用于真实世界无标注视频，自动生成多粒度的运动伪标签，无需任何人工标注；
2. Perceptual Grouping Model（PGM）：基于这些伪标签做对比学习，让模型内化一种脱离运动、只看外观的"物体概念"——这是关键一步，因为只有摆脱对运动的依赖，模型才能从"会动的东西"泛化到"所有东西"；
3. Adaptation：把学到的 objectness 先验迁移到一个 prompt 引导的高分辨率分割架构上，获得 segment-anything 风格的推理能力。

研究团队使用了约 1 万小时无标注视频，自动构建超过 2100 万个高质量伪标签，在 COCO、ADE20K、LVIS 等 7 个零样本基准上做了评估。结果：MoSA 显著超越所有现有无监督方法，更值得注意的是——在完全不使用任何人工标注的前提下，分割性能已经接近完全监督的 SAM。

需要强调：MoSA 不是在说"取代 SAM"或"击败 SAM"。更准确的表述是——它探索了一条更可扩展、更低人工标注依赖的视觉基础模型训练路径。

为什么 MoSA 必然诞生在这条研究路线下？ 因为降低数据依赖、追求长期可扩展性，本质是"在真实世界里持续可用"这一产业要求的延伸。消费级 AI 关心的是"今年能不能用更大数据集刷新 SOTA"；产业 AI 关心的是"当人工标注到达上限时，模型还能不能继续学习新物体"。MoSA 探索的是后者——这条路如果走通，视觉基础模型的数据规模天花板会被显著抬高，这正是 Agent 在开放世界中持续运行的前提。

四、产品闭环：从论文到业务的真实路径

判断一条研究路线是否有价值，最直接的标准是：它有没有走进真实产品。

360 这 6 篇论文里，最直接的产品化证据是 ICML 2026 的两篇——它们都已经作为 360 人工智能研究院 SaaS 平台的主打能力在 research.360.cn 上线。

RevealLayer（6 月 12 日上线，research.360.cn/products/Reveal-Layer）：产品名"高可控图层分解"。它的核心卖点就是论文里的"指哪分哪"——用户用 bounding box 框选目标，模型把对应物体精准剥离为独立 RGBA 图层，包括对被遮挡内容的真实补全。它已经覆盖营销创意、商业视觉设计、AI 内容编辑、视频动画制作四大应用场景。

FG-CLIP 2（research.360.cn/products/fg-clip，2025 年即已上线）：在 360 集团多个真实业务中跑起来——

• 360 云盘（AI 知识库） 的 AI 检索能力由 FG-CLIP 2 支撑；
• 企业云盘亿方云 的检索能力同样基于 FG-CLIP 2；
• 这套能力已经支撑商业化、IoT、云盘等众多业务。

这里有一个被忽视的细节：FG-CLIP 2 不是先论文后产品，而是先在 2025 年上线跑业务，再在 2026 年整理成 ICML 论文——这种"业务跑通 → 沉淀论文 → 反哺下一代模型"的工程节奏，是技术实战派最典型的特征，也是这条产业 AI 路线和消费级 AI 路线（先发论文再做产品 Demo）的根本区别。

论文发表不是终点，业务落地也不是终点——"研究问题 → 模型能力 → 产品场景"的闭环才是。360 的论文能力经过真实流量、真实用户、真实业务场景的检验之后，再反哺下一轮研究问题的提出。

五、中国 AI 的另一条路：端侧、产业、闭环

最后把视角拉高一点。

像阿里巴巴、字节跳动、腾讯和华为这样的中国企业，在 2026 年各大人工智能会议上表现强劲。国际上的关注不再仅仅局限于论文数量，而是关注那些真正转化为实际人工智能创新的研究成果。

360 这 6 篇论文给出的一个可能答案是：在基础模型规模短期内难以反超的前提下，中国 AI 的差异化优势可以放在端侧落地、产业闭环、真实需求驱动上。这条路径不是次优选择，而是产业 AI 时代真正的价值高地——谁能让 AI 在复杂真实环境下稳定、可靠、可控地工作，谁就拥有产业 AI 时代的入场券。

一家安全公司做 AI 基座模型，关注的不是"能不能聊天"，而是**“能不能在复杂真实环境下稳定、可靠、可控地工作”**——这正是产业 AI 最需要、也是当下最稀缺的能力。这是安全基因的延伸，也是中国 AI 差异化路径的具体载体。

这或许才是 360 这 6 篇顶会论文背后，技术圈真正应该关注的故事。