ECCV 2026上，MARS2 Workshop把“AI做生意”变成了一道评测题

据量子位报道，2026年9月8日至12日，计算机视觉顶会ECCV 2026在瑞典马尔默举行。报道把焦点放在其中一个名为MARS2的Workshop上：它的全称是《大模型时代的多模态推理与慢思考：迈向System 2及以上》，主题直指一个更贴近现实世界的方向——Agentic Commerce（智能体商业）。

报道援引ECCV官网公开信息称，MARS2是本届ECCV全部Workshop中唯一一个由中国科技公司牵头举办的Agentic Commerce方向Workshop，牵头方是钛动科技。Workshop聚集了牛津大学教授Yarin Gal、MIT助理教授Paul Pu Liang，以及伦敦玛丽女王大学Shanxin Yuan、林雪平大学Fahad Shahbaz Khan等研究者，讨论的是多模态AI如何从"看见"走向"想明白"。

与Workshop配套的是MARS2 2026 Challenge。报道称挑战赛设10万美元奖金池，吸引全球64支团队参赛，累计提交超过1060份方案。赛题围绕"AI能否看懂营销视频"展开，分为三层：先看懂整条视频，再找到关键时刻，最后读懂背后的营销意图，三层分别对应三条赛道。

三条赛道共用的数据集叫M-CAR，基于钛动科技的真实商业场景构建：包含3108支广告视频，覆盖30多种语言，总计36.5小时的视频被拆分为18198个语义片段，平均约7秒就有一个独立片段。选手需要在本地让模型逐一答题，再把结果上传至EvalAI，由平台统一评分和排名。

成绩方面，报道给出三条赛道的最高分：MAC赛道86.67，VTG赛道62.27，MDC赛道63.53。在MAC赛道夺冠的是The Boys，VTG赛道冠军是Ya PTers，MDC赛道冠军同样由The Boys拿下——报道称，这支有字节跳动背景的队伍一支队伍拿到两个冠军和一个亚军。

比赛还设有硬性限制：MAC和MDC使用的模型不能超过14B，VTG不能超过8B，并且只能使用开源权重。报道认为，这排除了用巨型闭源模型硬压分数的路径，逼着选手在有限的模型体量里把数据处理和推理方法往细了做。

报道从结果里总结出三个信号。第一是能力边界：模型看懂广告的大致内容问题不大，但一旦需要跨越多个片段梳理时序关系、追溯前因后果并作出商业判断，成绩就会明显下滑。第二是优化路线：VTG赛道有团队为模型补上跨模态的"音频证据时间线"，把定位精度提高了16.7分，而参数量从4B扩展到8B反而下降了0.2分。第三是落地思路：冠军方案用到Proposer-Critic双模型验证、从粗到细的两阶段定位，以及按视频时长分配模型处理的视觉信息量，核心逻辑被概括为"证据链工程"。

值得关注的是，这类顶会Workshop的角色正在变化：越来越多垂直赛道的头部技术公司不再只是派研究员投论文，而是直接下场设置研究议程，通过出题、设奖金、开放基准，把产业一线碰到的问题摆到全球研究者面前。报道也提到，本次赛事设计、评测结果和优胜方案已整理成技术报告，相关评测基准与代码将向研究社区开放。