CVPR 2026 生成式 AI 观察梳理：视觉模型开始重写默认设定

过去几年，视觉生成与视觉理解领域的技术推进，整体上始终沿着一条相对明确的路径展开：当一套建模范式被验证有效之后，后续的大量工作往往都会围绕这套既有框架持续做模型扩容、训练增强、采样优化与局部模块修补，以此换取更高的性能上限。 无论是扩散生成、视频 world model，还是动作建模与视觉匹配，主流研究在很长时间里都更多表现为对既有系统的持续加固，而不是对底层假设本身的重新审视。 但从今年 CVPR 集中出现的一批代表性工作来看，这种相对稳定的技术推进逻辑正在发生值得警惕的变化。越来越多研究已经不再满足于在现有模型框架内部继续做增量式性能修补，而是开始系统性地把问题重新拉回到那些长期被工程实践视为“默认正确”的基础设定上。 扩散模型中的引导机制是否真的合理，视频生成是否必须建立在 diffusion 的反复去噪之上，生成模型所学习的预测对象是否从一开始就遵循了最自然的数据流形，以及人体动作生成与语义对应任务中长期被粗粒度评价掩盖的控制边界和泛化边界，是否都需要被重新定义。 这意味着，顶会论文所呈现出的竞争重点正在悄然发生迁移。相比于过去更多强调“在原有范式内把模型做得更强、把指标推得更高”，这一批工作更值得注意的地方在于，它们开始同步触碰那些决定模型行为方式的底层建模前提，并试图重新建立新的生成目标、控制机制、主干架构与表示逻辑。 换句话说，视觉 AI 的下一轮竞争，正在逐渐从性能增量竞争，转向对既有默认设定的回溯性重写。 视觉生成开始重写基础机制 这一趋势首先体现在由上海交通大学和 vivo BlueImage Lab 共同提出的《C²FG: Control Classifier-Free Guidance via Score Discrepancy Analysis》上。 Classifier-Free Guidance（CFG）作为条件扩散模型中最常用的生成引导机制，几乎已经成为默认组件：通过调节 conditional 分支和 unconditional 分支之间的 guidance strength 来增强模型对条件信息的服从程度，从而提升生成质量。 但长期以来，这一过程主要依赖固定 guidance weight 或少量经验化动态调整，真