{
title: "旷视多模态上下文学习获ICML 2026录用，聚焦AI落地真实场景",
summary: "旷视算法团队的多模态上下文学习工作被ICML 2026录用，该会议投稿量超23,000篇，录用率约26.6%。旷视提出准则感知的上下文学习方法，突破传统仅判断任务类型的局限，让模型在少样本条件下理解判断标准的变化。该方法旨在解决大模型在行业落地中面临的规则动态调整问题，同时旷视还展示了AI智能体在真实物理世界中的自主化探索。",
content: "在刚刚结束的ICML 2026上，旷视算法研发团队带来了一个值得关注的消息：他们的多模态上下文学习工作被这一全球顶级机器学习会议正式录用。ICML与NeurIPS、ICLR并列为三大最具影响力的机器学习顶会，本届大会投稿量突破23,000篇，录用率仅约26.6%，每一篇入选论文都代表着当前AI研究的前沿水准。旷视的这项工作不仅获得了学术界的认可，更指向了一个实际问题——大模型如何真正走进行业场景。

旷视提出的核心创新在于“准则感知的上下文学习”。传统多模态上下文学习主要关注模型能否通过少量上下文信息判断当前要执行什么任务，但在真实业务中，任务往往保持不变，变化的却是判断标准。例如在质检场景中，同一产品的合格标准可能因批次或客户要求而动态调整。旷视的方法让模型不再只是利用少量案例说明任务，而是从上下文中捕捉当前判别准则，结合样例关系和标注线索，推断标准变化并作出条件化判断。这意味着模型学会的不是机械地记住标签，而是在少样本条件下理解标准为什么变化，并据此调整判断边界。

这一工作的价值不仅体现在学术层面，更反映了旷视对AI行业落地路径的思考。真实行业场景往往不是封闭、规则明确的标准数据集，模型需要面对有限标注和长尾样本，同时适应不断变化的判断标准、风险要求和成本约束。旷视认为，通过高效后训练与少样本方案，让大模型以更低成本适配不同场景，是AI从通用能力走向实际价值的关键路径。这也是旷视在此次ICML上重点展示的第一条主线。

与此同时，旷视还在探索另一条关键主线：AI智能体在真实物理世界中的自主化升级。与数字空间中的任务执行不同，真实世界更加开放、动态和不确定。智能体需要理解物体、空间、行为和反馈，并在此基础上完成自主决策与行动。旷视希望通过这次ICML的交流，与全球研究者共同探讨如何让大模型更高效地进入行业场景，以及如何推动智能体在物理世界中持续提升自主能力。对于关注AI落地的从业者来说，旷视的这些探索提供了一个值得关注的视角：未来的AI不仅要会学习，更要会适应真实世界的规则与变化。"}