最近，海外AI技术社区正在热议一个新的视觉AI方向。它来自360人工智能研究院的一项ECCV 2026收录论文——MoSA（Motion-Grounded Segment Anything）。

计算机视觉三大顶会之一，能中一篇本身就足以成为新闻钩子。

但如果只把这次入选当成"又一篇论文"来看，反而错过了更值得关注的部分。

把时间轴拉长到整个2026上半年——360人工智能研究院在ICLR、CVPR、ICML、ECCV四大顶会上累计有6篇论文被收录，覆盖多模态理解和多模态生成两条主线。把6篇论文摆在一起看，会发现它们并非散点，而是一条清晰的、围绕"让AI更精准、更可控"展开的研究路线。

本文从技术脉络的角度，对这6篇论文做一次系统拆解。

一、先看全局：6篇论文构成的两条研究路线

360人工智能研究院2026上半年被顶会收录的6篇论文，可以归入下面这张技术路线图：

研究方向	论文	顶会	解决的问题
多模态理解	FG-CLIP 2	ICML 2026	细粒度图文对齐与检索
多模态理解	AML（AMLRIS）	ICLR 2026	Agent的视觉Grounding能力
多模态理解	MoSA	ECCV 2026	无监督视觉基础模型路径
多模态生成	RevealLayer	ICML 2026	图像图层可控分解与编辑
多模态生成	RefTON	CVPR 2026	虚拟试衣的可控生成
多模态生成	NAMI	CVPR 2026	高效高分辨率图像生成

两条路线并不是各自孤立——多模态理解解决"AI看得准不准"，多模态生成解决"AI改得准不准"，共同指向同一个目标：让AI能力在真实生产场景中更精准、更可控、更可靠。

这次ECCV上的MoSA，是这条路线的最新信号，但绝不是孤点。

二、多模态理解路线：从看懂细节，到找准目标，再到自主学习物体概念

理解路线上的三篇论文，恰好对应着AI"理解世界"能力的三个台阶。

第一阶：FG-CLIP 2 —— 让AI"看得更细"

以CLIP为代表的第一代视觉-语言模型，能完成基础的图文匹配，但有一个长期被诟病的短板——只理解"整体语义"，难以区分细节差异。这成了互联网搜索、推荐、广告匹配精度提升的"天花板"。

FG-CLIP 2是360人工智能研究院细粒度图文对齐模型FG-CLIP的第二代，从训练范式、目标函数到数据生态做了全面革新，补齐了业界亟需的中文能力支持，在8大类共29项benchmark上，超越SigLIP 2、MetaCLIP 2等最新强力基线，双语性能达到全球第一。

直接价值：从"只看懂大概"，变成"对细节精确对齐和区分"——不仅知道图里有什么，还能准确理解"哪一个对象、什么属性、处在什么位置"。这一能力已经落地到360云盘、亿方云等产品中的AI检索场景。

第二阶：AML —— 让Agent"找准目标"

当AI从"被动问答"走向"主动执行"，一个新的问题浮现：Agent能不能准确定位用户想操作的目标？

AML（被ICLR 2026收录）就是冲着这个问题来的。它解决的是Agent的视觉Grounding能力——让Agent面对一个软件界面、一个文档、一个网页时，能够准确找到用户口中的"那个按钮"“那个文件”“那个输入框”，并理解其语义。

这是从"AI看懂图"到"AI能动手"之间的关键一跃。没有精准的Grounding能力，Agent就如同一个看得见但手抖的操作员，无法真正落地到产业工作流。

第三阶：MoSA —— 让AI"自主学习物体概念"

ECCV 2026上的这篇MoSA，则是这条理解路线走得最深的一步。

SAM已经证明了通用分割模型的强大能力，但它依赖大规模人工标注数据——这意味着扩展性受限于标注成本。

MoSA提出的是另一条路径：

• 核心问题：AI能否通过观察无标注视频中的运动，自主学习"什么是物体"？
• 方法：利用大规模无标注视频自动生成伪标签。
• 规模：研究中使用了约1万小时无标注视频，自动构建超过2100万个高质量伪标签。
• 训练过程不依赖人工标注。

注意，这里不是说MoSA"取代SAM"或"击败SAM"——更准确的表述是：MoSA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。它尝试让AI从"依赖人类标注教会识别物体"，走向"通过观察世界自主学习物体概念"。

理解路线小结

把三篇论文串起来，360的多模态理解路线图景清晰可见：

从看懂图文细节（FG-CLIP 2），到找准用户目标（AML），再到自主学习物体概念（MoSA）——360在做的是让AI理解得更精准。

三、多模态生成路线：不只是"生成更多"，而是"生成得更准、更可控"

当前图像/视频生成赛道有一个公认的痛点——产品同质化。通用化生成能力已经很难匹配产业场景对精细化、定制化、可控化的需求。360的生成路线，正是对这一痛点的正面回应。

RevealLayer：从"一张图"到"可编辑的图层结构"

主流图像生成模型已经能生成好看的图，但实际业务中真正被反复追问的问题是：能否精确控制生成/编辑结果？

RevealLayer（ICML 2026）做的不是"生成一张图"，而是把一张图拆解成多个可编辑的图层（类似PS中的图层结构），并且每一层都带有透明信息（RGBA）。

它的三个核心突破：

• 图层级别的可控分解：通过区域感知注意力（Region-Aware Attention），把"前景/背景/遮挡关系"拆清楚，而不是混在一起。
• 遮挡内容的真实还原：利用Occlusion-Guided机制，可以"补全被遮挡的部分"——比如被前景挡住的背景，或者被目标A遮挡的目标B。
• 边界精确到像素级：通过alpha约束损失，解决传统方法中常见的边缘模糊、残影问题。

带来的直接价值是真正的"指哪改哪"——不仅知道哪里是目标，还能单独操作该部分，同时保证整体一致性。在"All in Agent"的战略下，它是实现"可执行视觉操作"的关键基础能力。

RevealLayer已经于6月12日上线360人工智能研究院SaaS平台。

RefTON：虚拟试衣的"零辅助输入"突破

RefTON（CVPR 2026）针对的是虚拟试衣这一具体业务场景。

传统虚拟试衣技术有几个长期痛点：依赖人体姿态识别、图像分割等外部模型，算法流程长且易引入外部错误；常出现面料质感失真、蕾丝花纹、透明材质等细节还原不到位的问题。

RefTON的开创性在于——引入"服装上身参考图"作为视觉指引，通过创新的双阶段训练策略与多条件输入适配优化，摆脱了对复杂辅助输入的依赖。仅需人物原图与目标服装图，就能实现高保真的虚拟试穿生成，精准还原服装的材质纹理、精细设计，同时兼容掩码与无掩码两种试穿模式，在国际公开基准测试中斩获领先性能。

NAMI：高分辨率生成的"效果与效率"双向突破

NAMI（CVPR 2026）直击高分辨率AI图像生成的行业痛点——“效果好则速度慢、速度快则效果打折扣”。

主流图像生成模型往往因参数量庞大，存在推理延迟高、算力消耗大、难以在端侧部署的问题。NAMI创新提出桥接渐进式Rectified Flow设计，将图像生成过程按分辨率分阶段拆解，通过自研BridgeFlow模块实现跨阶段流的精准对齐——让模型在低分辨率阶段快速搭建图像轮廓，高分辨率阶段精细化打磨细节。

在保证生成画质、文本语义对齐能力比肩国际顶尖模型的前提下，将1024×1024高分辨率图像的推理时间大幅降低64%。这一技术为端侧AI创新业务提供了轻量化、高性能的核心生成能力支撑。

生成路线小结

把三篇论文串起来，360的多模态生成路线同样清晰：

从可控图层分解（RevealLayer），到可控虚拟试衣（RefTON），再到高效可控的高分辨率生成（NAMI）——重点不是让AI"生成更多"，而是让AI"生成得更准、更可控、更适合业务场景"。

四、两条路线的共同方向：精准可控

把理解和生成两条路线放在一起看，会发现360人工智能研究院的研究有一个非常明确的共同方向——精准可控。

这个方向不是凭空选择的，而是基于一个清晰的行业判断：

当大模型能力普及，通用能力之间的差距正在快速缩小，AI产品在功能和体验上逐渐趋同。“能做什么"不再构成壁垒，真正的挑战转向"能否做得更细、更可控、更贴近具体场景”。

换句话说，下一轮AI竞争的差异化，正在从"模型规模"转向"模型精度与可控性"。

360的6篇顶会论文，恰好对应了这一判断的两个关键维度：

• 理解侧的精准：看懂细节（FG-CLIP 2）、找准目标（AML）、自主学习物体概念（MoSA）。
• 生成侧的可控：可控图层（RevealLayer）、可控试衣（RefTON）、高效可控生成（NAMI）。

这条路线已经开始向产品端延伸：

• RevealLayer已上线360人工智能研究院SaaS平台（research.360.cn/products/Reveal-Layer）。
• FG-CLIP 2已经支撑360云盘、亿方云等产品中的AI检索能力。

这说明360的AI研究不是停留在学术发表，而是形成了"研究问题—模型能力—产品场景"的闭环。

五、为什么是360：安全公司做AI基座模型的独特价值

技术脉络清晰之外，还有一个更宏观的问题值得讨论：为什么一家全球领先的安全公司，投入资源做AI基座模型研究，值得被关注？

答案藏在360的公司基因里。

安全公司天然关注几件事：

• 鲁棒性：系统在异常输入下不能崩。
• 抗干扰：面对对抗样本、噪声环境、极端场景，依然要稳定工作。
• 复杂环境下的可靠性：真实世界不是干净的实验室数据。
• 真实产业场景的可控性：不能"差不多能用"就交付。

这些要求，恰恰与Agent和产业应用对AI能力的要求高度一致。

这就是为什么360的AI路线，看起来不像一家偏聊天陪伴或创意生成的AI公司——它从一开始就更关注让AI在真实生产场景中准确、稳定、可控。MoSA追求的更低标注依赖、FG-CLIP 2追求的更精细理解、RevealLayer追求的更可控编辑，背后都是同一种工程价值观的延伸。

也正因为如此，海外X平台上对这6篇论文的讨论中，一个反复出现的判断是：360的AI研究方向，是面向Agent和产业应用场景，打造更精准、更可控、更可靠的AI能力——这并非偶然。

结语：把6篇论文看成一条路线

回到开篇的问题：ECCV 2026上的MoSA意味着什么？

如果把它看成单篇论文，它是一个在无监督视觉基础模型方向上的重要探索； 如果把它放回360人工智能研究院2026上半年的研究布局里，它是一条清晰路线上的最新坐标。

细粒度图文对齐、Agent视觉定位、无监督物体学习、可控图层分解、可控虚拟试衣、高效高分辨率生成——这6项能力看似分散，实则共同指向同一个判断：当AI进入Agent和产业应用场景，"精准可控"会变得越来越重要。

这不是一两篇论文就能讲完的故事，而是一家研究院系统性布局的结果。对于关注AI基础模型方向的开发者和技术同行来说，这条路线值得持续跟踪。

论文与产品体验入口：

• 360人工智能研究院官网：https://research.360.cn
• RevealLayer产品体验：https://research.360.cn/products/Reveal-Layer
• FG-CLIP 2产品介绍：https://research.360.cn/products/fg-clip
• 研究院GitHub：https://github.com/360CVGroup