标题：CVPR 2026 多模态视觉智能全景梳理：从感知到推理的范式重写

正文：
过去十年，计算机视觉经历了从“识别范式”到“生成范式”的演进。然而，当模型在静态图像上的感知能力接近甚至超越人类时，“看得更准”已不再是核心挑战。CVPR 2026 的研究显示，视觉正从终点转向中介能力，服务于推理、决策与交互等更高层目标。这一转变体现在多个层面：质疑语言中心推理路径、反思评测体系偏差，以及系统性重构推理机制、评测范式和数据供给方式。

推理：从始终推理到按需推理
Meta AI 等提出的《VideoAutoThink》框架挑战了“始终推理”的必要性。研究表明，对于经过强化学习优化的视频模型，直接回答有时优于显式推理。新框架采用“Thinking Once, Answering Twice”机制，根据初始答案置信度动态触发推理，显著提升效率并减少输出长度约 3.3 倍。该方法揭示，推理在感知任务中作用有限，而在复杂逻辑任务中更为关键。

加州大学伯克利分校等提出的《Latent Visual Reasoning》则探索了推理是否必须依赖语言。LIVR 框架通过潜在空间中的隐式推理，避免显式中间监督，在拼图、几何结构等任务中表现出色。这表明视觉推理可脱离语言限制，具备更强泛化能力。

麻省理工学院的《ARC Is a Vision Problem!》进一步重新定义问题本质，将抽象推理基准 ARC 视为视觉建模问题，利用视觉模型天然归纳偏置解决空间关系和几何规律任务。实验表明，基于视觉的方法能在少样本场景中接近人类水平性能。

评测：从表面正确到能力真实
清华大学等提出的《VS-Bench》构建多智能体交互场景，评估模型在合作、竞争与策略选择中的表现。结果显示，现有模型在感知层面较强，但策略推理和决策能力仍有不足。

中国科学院自动化研究所等的《ReVeL》框架则打破多项选择问答（MCQA）的局限，提出“可验证开放问答”范式，消除选项泄露信息的风险。实验发现，MCQA 可能高估模型能力多达 20 个百分点。

模型：从单一理解到视频与定位一体化
Allen Institute for AI 和华盛顿大学的《Molmo2》扩展了开源视觉语言模型的能力，支持视频理解和精细对齐，提供完全透明的数据与训练流程，推动多模态模型向更开放、更统一的方向发展。

数据：填补大规模高质量数据缺口
苹果公司提出的《Pico-Banana-400K》数据集解决了文本驱动图像编辑领域的数据瓶颈。基于真实图像构建的大规模数据集支持单轮和多轮编辑任务，为连续编辑和指令理解提供了标准化基础设施。

总结来看，CVPR 2026 的研究不仅提升了模型性能，更在推理机制、评测范式、模型形态和数据供给等方面实现了系统性重构，推动多模态视觉智能迈向更高效、更真实的未来。