从MoSA到FG-CLIP 2：360上半年6篇顶会论文，正在拼出一条“精准可控”的AI路线

____simple_html_dom__voku__html_wrapper____>

2026年上半年，360人工智能研究院共有6篇论文被ICLR、CVPR、ICML和ECCV收录，覆盖多模态理解与多模态生成两条方向。

如果只看单篇论文，这些成果分别涉及图文检索、指代分割、无监督视觉学习、图层分解、虚拟试衣和生成加速；但把它们放在一起，会发现其技术目标高度一致：

不是让AI看起来更聪明，而是让AI在真实场景中看得更准、改得更准、出得更准。

最新入选ECCV 2026的MoSA，在X海外AI技术社区正在热议的一个新的视觉AI方向，它也是理解这条路线的一个很好切口：

一、MoSA：AI能否通过观察运动学会“什么是物体”

这条赛道的代表模型是Meta的SAM，它证明了通用图像分割模型的能力。用户只需要提供一个点或一个框，模型就能分割图像中的目标对象。

但SAM的训练依赖大规模人工分割标注。相比普通分类标签，分割标注需要沿着物体边缘逐像素勾勒，面对遮挡、细小结构和复杂背景时，数据成本会进一步增加。

MoSA提出了一个更基础的问题：

AI能否不依赖人工逐个标注，而是像人类一样，通过观察视频中的运动，自主学习“什么是物体”？

MoSA的完整名称是Motion-Grounded Segment Anything。它利用无标注视频中的运动信息构建监督信号，再将这种运动监督转化为能够迁移到静态图像的物体概念。

论文将整个过程分成三个阶段。

第一阶段是生成运动伪标签。MoSA从视频中提取双向光流，并通过刚性物体分割和运动前景分割两个模块，分别捕捉独立运动部件和完整动态主体，再对候选Mask进行质量筛选和去重。

第二阶段是学习物体性。MoSA训练感知分组模型，通过对比学习，让同一物体内部的图像区域在特征空间中更加接近，不同物体区域彼此分离。这样，模型逐渐从“哪些区域一起运动”，抽象出“哪些区域属于同一个物体”。

第三阶段再把这种物体先验迁移到高分辨率、可提示的图像分割模型中。论文明确指出，MoSA由运动伪标签生成、感知分组学习和Segment Anything适配三个阶段组成。

研究团队从约1万小时视频中生成了约2100万个高质量运动伪标签，视频覆盖人类活动、动物行为和道路驾驶等多种场景。

在COCO、LVIS、ADE20K等7个数据集上的零样本评测中，MoSA明显优于已有无监督分割方法，并在不使用人工分割标注训练的条件下，取得了接近监督式SAM的表现。

这项工作的价值，不是宣称MoSA取代SAM，而是验证了另一条可能的路线：规模无标注视频中的运动信息，可以成为训练视觉基础模型的一种可扩展监督来源。

二、六篇论文，共同指向“让AI精准可控”

MoSA并不是一项孤立的研究。

从360人工智能研究院2026年上半年的论文布局看，6篇顶会论文可以被归纳为“看得准、改得准、出得准”三个层次。

“看得准”对应多模态理解，包括FG-CLIP 2、AML和MoSA。

• FG-CLIP 2解决图像与文本之间的细粒度对齐问题；
• AML解决自然语言描述与具体视觉区域之间的精确定位；
• MoSA进一步探索模型如何从无标注视频中自主学习物体概念。

这条路线从图文细节匹配，逐步延伸到目标定位和开放世界物体认知。

“改得准”对应RevealLayer。

它关注的不是再生成一张完整图片，而是把图像中的具体对象拆分为可独立编辑的RGBA图层，并恢复对象背后的背景内容，使AI生成图能够继续进入设计和内容生产流程。

“出得准”对应RefTON和NAMI。

RefTON解决虚拟试衣中的服装细节、材质和多条件控制问题；NAMI则关注高质量图像生成的推理效率，在现有资料中披露了64%的推理加速。

这6篇论文任务不同，但解决的是同一个问题：

AI如何减少“大概正确”，增加可定位、可控制、可落地的确定性。

三、看得准：从图文细节到精确视觉定位

FG-CLIP 2关注的是细粒度图文对齐。传统CLIP类模型擅长判断一张图片与一句话在整体语义上是否相关，但在颜色、数量、位置、属性和对象关系等细节上，往往还不够精确。

例如，“一辆汽车停在路边”和“一辆黄色汽车停在瀑布旁”都包含汽车，但在真实检索中，颜色、环境和位置关系可能才是用户真正需要的条件。

从360 AI Research平台展示的方法看，FG-CLIP 2采用两阶段训练。第一阶段通过全局对比学习建立图像与长短文本之间的基础对齐；第二阶段进一步加入区域级描述、难负样本和细粒度学习，使模型能够捕捉局部区域与文本细节之间的关系。

FG-CLIP 2增加了中文数据、动态分辨率机制和新的损失设计，支持长文本检索、短文本检索、文搜图、图搜文、文搜文和图搜图等能力。

它解决的不是“能否搜到相关图片”，而是“能否按用户描述的细节，找到真正匹配的内容”。

AML则进一步把图文对齐推进到了像素级目标定位。

AMLRIS的正式任务是指代表达图像分割。输入一张图像和一句自然语言描述，模型需要从多个相似对象中找到唯一目标，并输出其像素级Mask。

AML的核心思想很直接：不是所有图像区域都值得参与训练。

论文首先通过PatchMax Matching Evaluation计算视觉Patch与文本Token之间的相似度，再利用Alignment-Aware Filtering Mask过滤低对齐区域，使模型集中学习更可靠的视觉—语言关系。

AML采用两次前向传播：第一次生成相似度图和过滤Mask，第二次使用过滤后的图像训练模型。推理阶段则不需要这套过滤过程，因此不会增加额外推理结构和开销。

在RefCOCO、RefCOCO+和RefCOCOg的8个数据划分上，AMLRIS取得了新的最佳结果；在遮挡、低光、雾化和颜色扰动等条件下，也表现出更好的鲁棒性。

虽然这篇论文并不是专门针对GUI Agent设计，但它强化的能力与Agent视觉Grounding高度相关。

用户对Agent说“点击右侧蓝色按钮”时，模型不仅要理解语言，还要在复杂界面中找到唯一目标。一旦定位错误，后续操作就可能全部出错。

因此，FG-CLIP 2、AML和MoSA形成了一条很清晰的能力递进：FG-CLIP 2看懂图文细节，AML找准语言所指目标，MoSA进一步学习物体概念本身。

四、改得准、出得准：从图层分解到高保真虚拟试衣

生成式AI可以快速生成一张完整图片，但在真实设计工作流中，一张扁平图像往往还不够。

用户可能需要单独移动人物、替换商品、修改背景，或者删除某个对象后恢复被遮挡区域。传统生成模型输出的通常只是RGB图像，主体、背景和不同对象已经混合在一起，难以继续精细编辑。

RevealLayer解决的正是这个问题。

用户通过Bounding Box指定目标对象后，系统可以把对象提取为独立RGBA图层。RGBA相比RGB多了Alpha透明通道，因此结果不是普通矩形裁剪，而是可以继续移动、组合和编辑的透明对象层。

同时，模型还会恢复目标对象背后的背景内容。

这意味着RevealLayer同时完成：

• 目标对象分离；
• 透明边界估计；
• 被遮挡背景恢复。

它与传统语义分割或普通抠图的区别在于，最终输出的是可继续编辑的数字资产，而不仅是一张Mask。

RevealLayer目前已经上线360 AI Research平台，用户可以直接上传图片并体验图层拆分能力：

RefTON则把“可控生成”放进了虚拟试衣场景。

虚拟试衣并不只是把一件衣服覆盖到人物身上。模型还要保持人物身份、姿态、身体比例和背景，同时还原服装的版型、纹理、Logo、透明度、蕾丝和镂空结构。

传统方法通常依赖人体解析、姿态估计、服装Mask和Warp Mask等多个外部模块。RefTON尝试简化这一过程，并引入一个很符合真实购物习惯的输入**：**

平铺服装图往往难以完整表现服装的透明度、材质和穿着效果，而模特上身图可以提供更直观的视觉参考。论文中的案例显示，加入参考图后，模型对透明材质和蕾丝领口等细节的还原更加准确。

RefTON采用两阶段训练：

第一阶段使用带Mask和姿态等条件的试衣模型生成训练数据；第二阶段训练Person-to-Person模型，使模型可以直接使用人物图、服装图和可选参考图完成虚拟试衣。

论文还通过随机输入Mask版本或完整人物图，使同一个模型兼容有Mask和无Mask两种使用方式，并对Flux-Kontext的多条件位置编码进行了适配。

RevealLayer和RefTON分别代表了两种可控能力：

• RevealLayer让生成后的对象可以被精确拆分和编辑；
• RefTON让生成过程受到人物、服装和参考图的共同约束。

NAMI则补上效率这一环。现有资料显示，NAMI面向高质量图像生成效率，实现了64%的推理加速。由于当前没有更完整的论文材料，这里不进一步展开其架构细节。

三项工作可以概括为：RevealLayer解决怎么精确编辑，RefTON解决怎么按条件生成，NAMI解决怎么更高效地出图。

五、从顶会论文到产品，安全公司更关心AI是否可靠

论文指标能够证明模型能力，但对开发者和产业用户来说，更重要的问题是：**这些能力能不能进入真实产品？**而安全行业长期面对复杂环境，对精准判断和可靠结果有天然需求。“差不多对”在这里行不通。所以360具备探索AI精准可控的天然能力。

从现有平台看，FG-CLIP 2和RevealLayer已经完成了产品化。

FG-CLIP 2被封装为图文跨模态检索能力，支持不同形式的图文检索与向量化接口；RevealLayer则提供网页交互体验，用户可以上传图片、指定目标对象并查看图层分解结果。这说明360人工智能研究院的部分研究，已经形成了“研究问题—模型能力—平台服务—业务场景”的闭环。

从FG-CLIP 2的细粒度图文对齐，到AML的目标定位，再到MoSA的自主物体学习；从RevealLayer的图层分解，到RefTON的参考图约束生成，再到NAMI的效率优化，360人工智能研究院2026年上半年的6篇顶会论文，实际上在回答同一个问题：

当AI真正进入Agent和产业工作流，如何减少“大概如此”，增加可定位、可约束、可复用的确定性。

MoSA是最新的一个切口。

更值得关注的，是它背后逐渐清晰的一条研究路线：

让AI看得更细、找得更准、改得更稳，并最终进入真实产品。