视觉模型不再只会做题，开始学着适应真实世界

当你用视频编辑软件抠人物时，是不是总遇到这种糟心场景：刚手动修正了被遮挡的手臂，下一秒镜头一转，模型又把背景当成了人物？过去十年，计算机视觉把「在实验室里把题做对」这件事做到了极致——模型越来越大，数据集越来越厚，基准测试的分数刷得越来越高。但这些「高分选手」一拿到真实世界的考卷，就会暴露致命缺陷：默认输入信息完整、任务目标固定、场景变化可预期。这个假设错了。现实世界里，视频会有遮挡，照片角度会乱飘，用户的需求会临时改变。而CVPR 2026的一批研究，正在把视觉模型从「考场优等生」，逼成「能在野地里生存的探险家」。

现场改错：让模型在使用中「长大」

康奈尔大学的研究团队先撕开了旧范式的口子。过去的交互式视频分割，看起来是人机协作：用户点一下，模型改一下，但本质是「伪交互」——用户的修正只管用这一帧，下一次遇到同样的遮挡，模型还是会犯同样的错，因为它的内部参数是冻结的，根本没学会「记住」用户的反馈。

你可以把这种传统模型想象成一个只会背标准答案的学生，遇到新题型只会卡壳。而他们提出的LIT框架，相当于给模型装了个「随身错题本」——用轻量级的LoRA模块，在模型推理时实时吸收用户的修正反馈，局部更新参数。用户纠正一次，模型就会针对这个视频里的遮挡、光照变化形成短时适应，下次再遇到类似情况，就不会再错。

这不是简单的精度提升，而是打破了视觉模型几十年的边界：推理不再是参数冻结下的被动执行，模型第一次能在使用过程中「成长」。实验数据显示，它能减少18%-34%的用户纠正次数，把标注时间缩短20%以上，每次在线学习的开销仅0.5秒，远低于人工纠错的时间成本。

无师自通：不用训练也能理解新任务

如果说LIT解决了「模型能在任务中学习」的问题，那么INSID3则走得更远——它证明模型甚至不用重新训练，仅凭上下文就能理解新任务。

过去的分割模型，要识别新物体必须先给它一堆标注数据微调，就像学新单词必须先背词典。但INSID3直接跳过了「查词典」的步骤：它基于自监督训练的DINOv3模型，这个模型在训练时看过海量无标注图像，已经把图像里的语义对应关系刻进了自己的特征里。研究团队发现，DINOv3的特征里藏着一个小bug：会受绝对位置干扰，比如两张图里同一位置的像素会被误判为相似。他们用「位置偏置消除」的方法把这个bug修好后，模型就能仅凭一张带标注的参考图，在另一张图里精准找到对应物体——不管是猫、狗，还是医学影像里的病变，甚至是物体的某个局部部件。

在测试中，它的分割精度比同类无训练方法高7.5%，参数却少了3倍。这意味着，视觉模型终于能像人类一样，看一眼示例就明白「我要找的是什么」，而不是必须先接受专门训练。

碎片拼图：在信息稀缺下补全世界

当模型能自己学习、自己理解任务后，下一个要突破的，是「信息不完整」的现实困境。

传统的三维重建模型，依赖的是角度统一、重叠度高的理想照片，就像拼拼图时所有碎片都在眼前。但真实世界里，我们能拿到的往往是用户随手拍的几张零散照片——角度歪、清晰度差、主体只露一小部分。康奈尔大学的MegaDepth-X数据集，专门模拟了这种「长尾场景」：故意用稀疏、低重叠的照片训练模型，逼它学会从碎片信息里推断完整结构。

多伦多大学和Adobe的Material Magic Wand，则把这种「补全能力」延伸到了语义层面。过去的三维部件分组，只会找几何形状相似的部分，比如长得一样的窗户。但真实世界里，很多部件形状不同却该用同一种材质——比如松果的鳞片、建筑的瓦片。这个工具给模型装了个「语义雷达」，让它能结合局部几何和全局上下文，判断哪些部件应该共享材质，用户点一下鳞片，就能自动选中所有鳞片，不用一个个手动选择。

这些研究的共同指向是：视觉模型不再只盯着「标准答案」，而是开始学习「在不完美里找最优解」。

从「做题家」到「探险家」，计算机视觉的这次转向，本质上是向人类视觉系统的一次靠拢——我们从来不是在信息完整、目标明确的情况下理解世界，而是在碎片里拼凑真相，在互动中修正认知，在变化里保持适应。

视觉智能的终极目标，从来不是在基准测试里拿满分，而是成为一个能在复杂、混乱、充满意外的真实世界里，持续理解、持续调整、持续成长的「观察者」。从做对题，到活下去，这才是智能的起点。