（来源：传音控股）

近日，全球计算机视觉顶级会议CVPR 2026成功举办了第五届PVUW Workshop，该研讨会专注于真实世界像素级视频理解。此次会议由传音控股TEX AI联合复旦大学、上海财经大学、哈佛大学、浙江大学等国内外知名高校和研究机构共同组织，是该领域连续五年深耕的重要成果展示。

作为重要组织方和赞助单位，传音TEX AI深度参与了议题设计、挑战赛组织和学术交流，与全球顶尖学者共同探讨视频理解、多模态学习、具身智能等前沿方向。在开幕环节，主办方特别感谢了传音的参与，并强调产业界的深度介入对于推动前沿技术创新与落地至关重要。

共探多模态智能未来趋势

CVPR作为计算机视觉领域公认的“三大顶会”之首，每年汇聚全球顶尖研究力量。PVUW Workshop自2021年启动以来，连续五届聚焦开放世界场景下的像素级视频理解，已成为连接学术研究与产业应用的重要桥梁。

本届Workshop主题确定为“Towards More Diverse Modalities in Pixel-Level Understanding”，重点探索视觉、文本、音频等多模态信息融合下的像素级理解能力。研究领域包括开放世界视频分割、多模态感知、智能体推理、具身智能等热门方向，均与未来智能终端的发展需求高度契合。

研讨会上，来自ETH Zurich、UIUC、EPFL等顶尖高校的学者展示了开放世界视觉理解、多模态学习、视频理解及具身智能领域的最新研究成果。与会专家形成明确共识：多模态感知、世界模型与智能体能力正逐步演变为下一代AI的核心基础，而视频理解则是连接真实世界感知与智能决策的关键纽带。

作为PVUW的重要组成部分，本届挑战赛吸引了全球超过135支研究团队积极参与。竞赛任务涵盖复杂场景视频目标分割、基于文本的指向性视频分割以及基于音频的指向性视频分割。新增的音频赛道尤为亮眼——它推动视频理解从单一视觉模态迈向视觉、文本、音频协同理解，为人机交互开辟了全新研究方向。参赛方案中涌现的众多创新思路，充分彰显了全球研究社区在多模态智能领域的快速进展，也为未来智能终端的视觉理解能力演进提供了宝贵的参考依据。

深化产学研协同，加速AI技术成果转化落地

传音近年来持续深化与高校及科研机构的合作，与复旦大学等知名院校保持着长期稳定的协作关系，围绕计算机视觉、多模态智能、视频理解等方向联合开展研究与人才培养。这种产学研协同模式的优势显而易见：高校具备基础研究优势，企业拥有真实应用场景和产品落地经验，两者深度融合才能打通从科研到创新的完整链条。

从成果转化视角来看，传音正加速将视觉理解、多模态智能、大模型及AI Agent等关键技术突破，转化为面向全球用户的创新体验。此次参与CVPR Workshop的组织工作，正是其技术积累的一次集中展示——不仅体现了传音在视频理解与视觉智能领域的深厚实力，也彰显了公司通过产学研协同深度融入国际学术生态的能力。

当前，人工智能正加速迈向多模态智能与智能体时代，产业界与学术界的协同创新愈发关键。未来，传音将继续秉持开放创新理念，深化与国内外高校及科研机构的合作，持续探索视觉理解、多模态交互与终端智能等前沿方向，推动AI能力与全球新兴市场的真实需求深度融合，最终为用户提供更智能、更普惠的AI体验。