CVPR 2026 动态视觉智能观察梳理：Benchmark 之外的新考题已经出现

如果把近几年计算机视觉的发展放在一个更长的时间尺度上去看，会发现整个领域其实一直在沿着一条非常明确但也非常受限的路径前进： 研究者不断把模型做得更大，把训练数据堆得更多，把单项 benchmark 指标推得更高，于是无论是分割、重建还是生成，模型在标准任务上的表现都在持续逼近“看起来已经足够强”的状态。 但如果把视角拉回到 CVPR 2026 前后这一批最新工作，会发现一个更值得警惕的变化正在发生：研究的重心，正在悄悄从“把答案做对”，转向“在不完美条件下依然能够持续理解世界”。 也就是说，这一轮进展不再只是精度层面的线性推进，而更像是对视觉系统基本工作方式的一次系统性松动。 问题在于，这种“强”，往往建立在一个并不真实的假设之上——默认输入信息是充分的、任务定义是清晰的、交互过程是单轮的、场景变化是可预期的。换句话说，过去的大多数视觉模型虽然在实验环境中越来越像一个“高精度求解器”，却依然很难成为一个真正能够在开放环境中持续理解、持续修正、持续适应的视觉智能体。 而 CVPR 2026 这一波工作最值得关注的地方，恰恰不在于它们分别把某个子任务的数字提高了多少，而在于它们几乎不约而同地开始挑战这个旧时代视觉系统最根本的四个默认前提：模型是否必须冻结、目标是否必须预定义、信息是否必须充分、输入是否必须结构化。 整个变化，是从交互式视频分割这里率先被撕开口子的。 从「用户修错」到「模型自学」 长期以来，交互式视频分割给人的印象似乎已经相当成熟：用户点击一下，模型修正一下；用户框选一下，模型继续传播掩码。看起来人机协同已经建立起来了。但康奈尔大学在《Live Interactive Training for Video Segmentation》中指出，这其实是一种很容易让人忽略的“伪交互”。因为在现有范式下，所谓交互只发生在输出层，模型的内部知识却是完全静止的。 这意味着什么？意味着当视频里出现遮挡、光照突变、主体分裂或者背景伪装时，模型第一次犯错，用户点击修正；下一次遇到同样的视觉模式，它大概率还会再犯同样的错。用户似乎一直在参与，但参与的只是重复劳动——用户并没有真的把自己的判断传递进模型的内部表征。 所以这篇论文真正想打破的，并不是“