投资评级与核心观点 - 报告对快手-W (01024) 维持 **买入** 评级 [6] - 报告核心观点：快手旗下AI视频生成模型“可灵”于2025年12月密集迭代，其中可灵O1和可灵2.6版本有望拉动用户数和付费率增长；同时，公司One系列端到端生成式模型在营销和电商场景持续提振主业，预计公司主业将维持稳健增长 [2][6] 财务预测与估值 - 调整后盈利预测：预计2025-2027年营业收入分别为1422亿元、1552亿元、1693亿元，同比增长率分别为12%、9%、9% [5][6] - 调整后归母净利润预测：预计2025-2027年分别为202亿元、223亿元、255亿元，同比增长率分别为14%、10%、14% [5][6] - 基于盈利预测，对应2025-2027年市盈率（PE）估值分别为13倍、12倍、10倍 [6] 可灵AI业务进展与优势 - **密集迭代与功能升级**：可灵AI于2025年12月密集上线新版本，包括全球首个统一多模态视频模型可灵O1，以及首个实现音画同出的可灵2.6版本，此外还推出了可灵数字人2.0和可灵O1主体库 [6][7] - **用户增长与市场表现**：根据Similar Web数据，截至2025年12月底，可灵AI网站全球访问量明显增长，单日访问量超过了Minimax海螺、Runway与Midjourney等竞争对手 [6] - **显著价格优势**：可灵2.6高品质音画同出版本，其黄金/铂金/钻石/黑金会员生成视频每秒单价分别为0.88元、0.78元、0.73元、0.44元，对比Google Veo3.1（标准版0.4美元/秒）和Sora 2-pro（0.3美元/秒）有明显价格优势，其最高品质版本与Sora2定价（0.1美元/秒）基本处于同一价位 [6][9] - **历史版本表现卓越**：可灵2.0版本在文生视频领域对比谷歌Veo2的胜负比为205%，对比Sora的胜负比达367%；可灵2.5 Turbo模型在效果对比中超越了Veo 3、Seedance等模型，并登顶Artificial Analysis榜单全球文生视频模型和兔生视频模型第一名 [8] - **业务收入规模**：根据快手财报，可灵AI在2025年第三季度收入超过3亿元，公司预计全年收入有望达到1.4亿美元 [6] One系列模型对主业的提振作用 - **OneRec推荐系统效果显著**：在快手主站/极速版双端App的短视频推荐主场景AB测试中，叠加奖励模型选择策略的OneRec方案实现了停留时长提升0.54%/1.24%、7日用户生命周期增长0.05%/0.08%的突破 [12][13] - **大幅提升本地生活业务**：OneRec在本地生活服务场景的AB测试中，推动GMV增长21.01%、订单量提升17.89%、购买用户数增长18.58% [13] - **直接贡献主业收入**：AI大模型尤其是OneRec对快手2025年第三季度国内营销收入提升约4%-5%；端到端生成式搜索架构OneSearch驱动商城搜索订单量提升5% [6][17] - **优化成本结构**：OneRec在推荐模型FLOPs提升10倍的同时，大幅削减了通信和存储等运营成本近90% [12] 公司主业展望与事件说明 - **主业展望稳健**：报告预计公司主业（广告和电商）将维持稳健增长 [6] - **网络攻击事件影响有限**：根据公司自愿性公告，此前遭受的网络攻击事件中，直播功能已逐步恢复正常，其他业务未受影响；报告认为随着核心业务广告和电商的增长，毛利相对较低的直播业务对主业影响有限 [6]

世界模型与端到端自动驾驶的关系 - 世界模型并非端到端自动驾驶本身，而是实现端到端自动驾驶的一种途径[2] - 行业将自动驾驶世界模型的研究收敛于生成和重建两大领域[2] - 目前主流应用是利用世界模型进行闭环仿真，以应对Corner Case成本过高的问题[2] 世界模型课程核心内容架构 - 课程第一章概述世界模型与端到端自动驾驶的联系、发展历史、应用案例及不同技术流派[5] - 课程第二章涵盖世界模型的基础知识，包括场景表征、Transformer、BEV感知等，是求职面试的高频技术点[5][6] - 课程第三章探讨通用世界模型，解析李飞飞团队Marble、DeepMind Genie 3、Meta JEPA、DriveVLA-W0及特斯拉世界模型模拟器等前沿工作[6] - 课程第四章聚焦视频生成类世界模型，讲解Wayve的GAIA-1 & GAIA-2、上交UniScene、商汤OpenDWM、中科大InstaDrive等算法，并以OpenDWM进行实战[7] - 课程第五章聚焦OCC生成类世界模型，讲解三大论文并进行一个项目实战，此类方法可扩展至自车轨迹规划[8] - 课程第六章分享世界模型在工业界的应用现状、行业痛点、期望解决的问题以及相关岗位的面试准备经验[9] 世界模型涉及的关键技术栈 - 基础技术包括Transformer、视觉Transformer、CLIP、LLaVA等多模态大模型基础[11] - 涉及BEV感知基础知识及占用网络[11] - 涵盖扩散模型理论，该模型是输出多模轨迹的热点技术[11] - 包括闭环仿真相关的NeRF和3DGS技术[11] - 也涉及其他生成式模型，如VAE、GAN以及Next Token Prediction[11] 世界模型相关的重要研究 - 国内重要研究包括清华的OccWorld、复旦的OccLLaMA、华科ICCV'25的HERMES以及西交的II-World[12] 课程目标与受众要求 - 课程目标是推动端到端自动驾驶在工业界的落地，助力从业者深入理解端到端技术[10] - 学员需自备GPU，推荐算力在4090及以上[13] - 学员需具备自动驾驶领域基础，熟悉其基本模块[13] - 学员需了解transformer大模型、扩散模型、BEV感知等基本概念[13] - 学员需具备一定的概率论、线性代数及Python、PyTorch基础[13] - 课程期望使学员达到约1年经验的自动驾驶算法工程师水平，掌握世界模型技术进展及BEV感知等关键技术，并能复现主流算法框架[13] 课程进度安排 - 课程于1月1日开课，预计两个半月结课，采用离线视频教学，提供VIP群答疑及三次线上答疑，答疑服务截止2026年12月31日[14] - 各章节解锁时间：第一章12月10日，第二章1月1日，第三章1月20日，第四章2月4日，第五章2月24日，第六章3月1日[15]

文章核心观点 - 西安交通大学研究团队提出了一种名为EfficientFlow的全新生成式策略学习方法，旨在解决当前生成式模型在机器人及具身智能领域面临的两大核心瓶颈：训练依赖大规模演示数据以及推理迭代步数多、速度慢的问题 [1] - 该方法通过深度融合等变建模与高效流匹配技术，在显著提升数据效率的同时，大幅压缩了推理所需的迭代步数，从而将推理速度提升了一个数量级以上，并在多个机器人操作基准上实现了SOTA性能 [1] 技术亮点：用物理直觉重塑生成式策略 - **加速度正则化**：通过引入加速度正则项到损失函数中，鼓励样本从噪声分布向数据分布的演化过程平滑且接近匀速，从而让生成的轨迹更直、更快，解决了传统流匹配中流场曲率过大导致推理需多步迭代的问题 [5] - 为克服加速度项难以直接计算的困难，该方法引入了易于计算且有效的代理损失——流加速度上界，该上界与原式的差值等效于对雅可比矩阵的正则化，使生成的策略更稳定、更鲁棒 [7][8] - **等变网络**：基于物理直觉设计，确保当输入的视觉场景旋转一定角度时，机器人输出的动作也跟随旋转相同角度，这带来了巨大的数据优势，使模型能够从单一角度的数据学习泛化到多个旋转角度，实现“举一反三” [9] - 该方法基于escnn库构建，将机器人的动作表示为一个10维向量，并通过等变表示确保生成的动作遵循任务的对称性，从而在场景进行平面旋转时保持行为一致性 [10][11] - **时间一致性策略**：采用时间重叠策略与批量轨迹选择及周期性重置策略，以解决独立预测相邻动作片段可能导致的行为模式切换和不连贯问题，从而在保持多模态表达能力的同时，实现了长期执行的连贯性 [15] 实验效果 - 在MimicGen等多个机器人操作基准测试中，EfficientFlow在有限数据条件下展现出的成功率媲美甚至超过了现有的SOTA方法 [17] - 在推理效率方面，EfficientFlow仅需1步推理就能接近EquiDiff模型100步推理的平均性能，其单步推理速度提升了56倍，5步推理也有近20倍的加速 [17] - 消融实验表明，加速度正则化与等变建模两者缺一不可，共同构成了实现高效生成式策略的关键 [17] 论文与代码 - 相关论文《EfficientFlow: Efficient Equivariant Flow Policy Learning for Embodied AI》已被AAAI 2026接收，且代码已开源 [3] - 项目主页与GitHub仓库地址已公开，可供进一步查阅 [13]

算法核心原理 - Flow Matching是一种生成式模型，旨在学习一个从随机噪声数据到目标数据分布的映射，其核心思想是学习一个速度场（或方向场），指导数据点从初始噪声状态向目标状态移动 [3][4][5] - 与直接学习端到端映射不同，Flow Matching通过构造从源点（噪声）到目标点的连线，并在连线上采样中间点，让模型学习这些中间点应该朝目标点移动的方向（即速度场），训练时，同一个中间点可能受到多条连线影响，其学习到的方向是多个目标方向的均值 [16][17] - 在推理（生成）阶段，模型从一个随机噪声点出发，依据学习到的速度场逐步移动，随着移动过程，状态的可能性会逐渐“坍缩”到目标分布中的某个特定样本附近，从而生成高质量结果，这避免了直接映射可能导致的输出为多个目标状态均值的问题 [7][17] 算法优势与对比 - 相比自回归生成模型（逐个像素/元素生成），Flow Matching在一次前向传播中生成整个样本，效率更高，避免了自回归模型需要多次调用模型的低效问题 [10] - 相比扩散模型（Diffusion Model），Flow Matching被视为一种更直接高效的替代方案，它通过学习确定性的移动方向来生成数据，而非多步迭代去噪，因此在Stable Diffusion 3、Meta MovieGen等先进模型中已开始应用 [12] - 该算法通过逐步“坍缩”状态来确保生成质量，在推理初期，移动方向可能是多个可能性的平均，但随着过程推进，方向会越来越确定，最终收敛到目标分布中的一点 [11][17] 算法实现与代码 - 基础实现包含几个关键步骤：为每个目标样本生成一个随机噪声源点；在源点与目标点连线上进行线性插值，采样得到中间点；用一个神经网络预测这些中间点的速度场；使用源点到目标点的真实方向向量作为监督信号进行训练 [18] - 代码示例以生成二维正弦曲线上的点为例，定义了向量场预测网络，在训练循环中计算预测速度场与目标速度场（`x1 - x0`）之间的均方误差损失，并通过数值求解常微分方程（ODE）的方式从噪声点出发生成最终样本 [19][20][21] - 算法可扩展为条件生成模型，通过简单修改网络结构，在输入中融入提示词（如标签、文本等）信息，即可控制生成样本的特定属性，例如控制生成正弦曲线上特定区间的点 [24][26][29] 高级应用实例 - 在手写数字生成（MNIST）任务中，采用了条件UNet作为预测速度场的骨干网络，因其具有多尺度特征融合能力，适合图像类生成任务 [32][33] - 在推理阶段，采用了自适应步长的ODE求解器（如`dopri5`方法），替代固定的欧拉法步进，可以在相同的迭代步数下获得更精细的生成结果，提升了生成效率和质量 [32][36] - 训练流程中，动态生成噪声样本和时间步长`t`，通过`xt = (1 - t) * noise + t * images`构造中间状态，并让模型预测从噪声到真实图像的向量场 [40]

文章核心观点 - 理想的VLA是自动驾驶的最佳模型方案 其本质是生成式模型 通过生成轨迹和控制信号来实现自动驾驶 在某些场景下已表现出对物理世界的认知涌现和拟人行为 [1][2] - 具身智能最终比拼的是整体系统能力 自动驾驶应被视为一个完整的具身智能系统 需要感知、模型、操作系统、芯片、本体等各部分全栈自研与协同 才能发挥最大价值 [1][3] - 在模型与系统适配的基础上 数据是起决定意义的 理想汽车凭借数百万辆车构建的数据闭环 能够获取海量、高质量的真实驾驶数据 这是其技术路线的核心优势 [1][2][4] VLA模型方案 - VLA本质是生成式模型 采用类似GPT的方式生成轨迹和控制信号 而非文本 已观察到模型在某些场景下出现认知涌现 表现为端到端模型之前没有的拟人驾驶行为 [2] - 世界模型更适合作为“考场”而非“考生” 其高算力需求使其更适合在云端进行数据生成、仿真测试和强化训练 理想正利用数E FLOPS的推理算力进行仿真 [2] - 模型架构之争需结合实际效果 在自动驾驶领域 脱离海量真实数据空谈模型架构是空中楼阁 理想坚持VLA路线是因为其拥有数百万辆车构建的数据闭环 能在当前算力下将驾驶水平做到接近人类 [2] 具身智能系统能力 - 自动驾驶应被视为完整的具身智能系统 需要像人类一样 实现感知（眼睛）、模型（大脑）、操作系统（神经）、芯片（心脏）、本体（身体）等各部分的相互协调 [3] - 实现系统价值需要全栈自研 不仅仅是软件栈 而是整体软硬件全栈 理想的自动驾驶团队与基座模型、芯片、底盘团队协同打造了整个系统 [3] - 底盘协同是系统能力的体现 例如车辆运动管理模块会对自动驾驶控制信号做精细化调校 区分卡钳制动和液压制动策略 以兼顾安全性与舒适体验 实现“身体”与“大脑”的协同 [3] 数据的关键作用与优势 - 数据获取在自动驾驶领域具备优势 对于已建立数据闭环能力的车企而言 获取数据并非难题 这与使用数据采集车获取的数据在质量和分布上有很大差距 [4] - 公司拥有海量、高质量的真实驾驶数据 不仅可以从过去几年积累的超过10亿公里的存量数据中挖掘筛选 更能通过超过150万车主的日常使用源源不断获取新数据 [4] - 数据筛选反映真实人类行为 在筛选数据过程中发现接近40%的人类驾驶数据存在偏一侧开车或不严格卡限速的行为 这些数据被保留 使得模型能学习到更符合人类习惯的驾驶行为 [4] 技术应用的未来展望 - VLA模型服务范围将扩展 该模型不仅服务于公司当前的各类汽车产品形态 也将服务于未来公司规划的汽车类具身机器人 [4]

核心观点 - Meta即将离任的首席人工智能科学家杨立昆计划在欧洲创办一家AI初创公司 该公司将采用与当前科技巨头主导的生成式模型截然不同的技术路径 专注于开发能够理解物理世界的“世界模型” [1] 公司动向与战略 - 杨立昆将于2024年底离开Meta 专注于创建自己的公司 [1] - 新公司名为AMI（先进机器智能） 将是一个“全球实体” 并在世界各地设立研究机构 其中一处位于巴黎 [2] - 新公司将与Meta建立合作关系 Meta将向其开放创新技术 但Meta不会对其进行投资 [2] - 杨立昆将在新年时公布更多关于新公司的细节 [3] 技术路线与愿景 - 新公司将采取“非生成式”的AI架构 专注于开发“世界模型” 即能够理解物理世界而非仅仅生成文本的系统 [2] - 公司目标是带来下一场AI革命 让系统能够理解物理世界、拥有持久记忆、能够推理并能规划复杂的行动序列 [2] - 杨立昆认为当前基于文本的大语言模型缺少达到人类级别智能的关键要素 并直言通过扩展现有技术实现通用智能是“胡说八道” [2] - 新技术路径旨在开启一个全新的应用世界 使AI能够感知环境并理解物理世界 [2] 行业背景与人才观点 - 杨立昆批评硅谷完全被生成式模型所催眠 因此选择在巴黎开展此类工作 [1] - 他认为欧洲有大量未充分意识到自身潜力的人才 为其提供合适环境至关重要 [2] - 杨立昆长期以来一直支持欧洲的AI人才和初创企业 此前曾推动Meta于2015年在巴黎设立FAIR实验室 并在2023年催生了Meta的旗舰大语言模型Llama [1]

算法核心原理 - Flow Matching是一种生成式模型，旨在从随机输入生成与目标数据集相似的样本[3][4] - 与直接学习随机数据到目标数据的映射不同，该算法通过学习一个“行驶方向”或速度场，引导随机点逐步移动到目标分布区域[12][14] - 训练时在源点到目标点的连线上采样中间点，并学习其朝向目标点的移动方向，推理时从随机点出发，沿学习到的方向场移动，最终收敛到目标分布[16][17] 技术优势与比较 - 相比自回归模型逐像素生成效率低的问题，Flow Matching通过一次生成关联较小的区域来平衡效果与效率[9][10] - 相较于扩散模型的多步迭代降噪，Flow Matching提供了一种更直接高效的生成方案，已被Stable Diffusion 3、Meta MovieGen等应用[12] - 该算法能有效避免模型输出因可能性过多而退化为多种可能状态平均值的问题，生成质量更高[7][11] 代码实现与实战 - 基础实现包含生成随机源点、与目标点线性插值得到中间点、训练网络预测速度场并与真实方向计算损失等关键步骤[18][19] - 带提示词的生成模型可通过在预测网络中增加提示词输入实现，将生成过程约束到特定条件或区间[24][26] - 在MNIST手写数字生成任务中，采用UNet作为骨干网络以融合多尺度特征，并改用自适应步长ODE求解器以提升生成精度[32][34][36] 行业应用与前景 - 端到端自动驾驶算法工程师等岗位薪资范围达50-80K，显示市场对相关技术人才需求旺盛[50] - 行业课程涵盖从算法框架、强化学习应用到轨迹优化、模型部署等量产经验，旨在培养面向就业的实战能力[48][49] - 量产专家分享的导航信息编码、时空联合规划兜底等经验，直接关联算法在真实场景中的落地优化[47][49]

文章核心观点 - 香港大学团队提出了一种名为GPC（通用策略组合）的全新免训练框架，旨在提升机器人控制策略的性能 [2] - GPC框架通过在测试时对多个预训练模型的决策分数进行动态融合，创造出一个性能超越任何单一父策略的组合策略 [2] - 该框架打破了传统性能提升方式对数据和算力的依赖，能够灵活融合不同架构和模态的机器人策略 [2] 技术原理与理论基石 - GPC的核心思想是在机器人执行任务的瞬间，通过凸组合的方式将多个预训练策略的决策分数进行动态融合 [7] - 研究证明，对决策分数进行凸组合能够生成一个在单步上具有更低误差的组合分数，比任何单一策略的分数更精确 [9] - 通过建立Grönwall型界限，研究证明了单步的误差改善能够沿整个轨迹传播，确保组合策略在系统层面具有性能提升和稳定性 [10] - 理论公式表明，组合策略的轨迹采样误差低于任何单一策略的误差 [12] 框架通用性与组合机制 - GPC框架具备“即插即用”的通用性，以免训练的方式整合各种机器人策略 [14][15] - 其统一的分数凸组合机制能有效平衡来自不同条件的信息，生成更稳定、连贯的动作轨迹 [17] - 框架能够跨越策略架构进行组合，兼容基于扩散模型或基于流匹配的策略 [19] - 框架能够融合不同输入模态的策略，如视觉-动作模型、视觉-语言-动作模型等 [19] - GPC框架自然地连接了叠加原理，提供了Logical OR和Logical AND等更强大的组合操作符 [18][20] 权重搜索与性能优化 - GPC框架的权重搜索机制能为不同任务和场景量身定制最优的组合策略 [23] - 实验表明，当被组合的两个策略都具有中等准确率时，GPC能实现比单一基线策略更高的准确率，提升幅度最高达24% [24][26] - 当其中一个策略准确率显著较低时，GPC难以超越表现最好的基线策略的峰值性能 [26] - GPC性能的提升总是伴随着表现较好的基线策略获得更大权重时被最大化 [26] 实验验证与实际效果 - 在Robomimic、PushT等仿真测试平台上，GPC策略实现了最高7.55%的平均成功率提升 [28] - 在复杂的RoboTwin双臂协作任务上，GPC策略提升了7%的性能 [28] - 通过Logical AND组合，Diffusion Policy与Mamba Policy组合策略在Robomimic的Can任务上成功率提升至84%，较基线提升25.73% [30] - 真实世界采用PiPER机器人进行的实验显示，GPC在4个实际任务中对比单一基线成功率拥有5-10%的提升 [30]

文章核心观点 - 全景视觉与常规透视视觉存在根本性差异，直接将基于透视视觉开发的算法迁移到全景视觉往往失效 [6] - 文章首次以“透视-全景 gap”为主线，系统梳理了三大核心挑战、两条核心技术路线与未来方向展望 [6] - 旨在为研究者提供“按任务选解法”的指南，并为工程团队“按场景落地”提供清晰坐标 [6] 研究背景与动机 - 全景图像捕捉的是360°×180°的完整球面视域，而常规透视图像是大部分计算机视觉任务使用的标准输入 [6] - 全景视觉在虚拟现实、自动驾驶、具身智能等新兴应用中正成为不可或缺的研究方向 [6] 全景视觉的核心挑战 - **几何畸变**：球面展开到平面时，两极区域被严重拉伸，物体形状被破坏 [7] - **非均匀采样**：赤道像素密集、极区像素稀疏，同一物体在不同纬度分辨率差异明显 [7] - **边界连续性**：等距矩形投影（ERP）图像的左右边界在球面上相邻，但在二维图像上被分割，导致模型学习出现连续性问题 [7] 核心技术路线与策略适配 - **失真感知方法**：直接在ERP全景格式上建模，通过畸变设计、畸变图权重或自适应注意力来补偿极区问题，优势在于保留全局像素级别的语义对应且与主流架构高度兼容 [10][13] - **投影驱动方法**：通过立方体投影（Cubemap）、切平面投影（Tangent）等将球面转换为多个畸变较小的子视图，优势在于有效缓解极区畸变并能直接复用透视模型和大规模预训练网络 [13] - **策略适配**：失真感知方法更适配全局语义一致性的任务（如超分辨率、修复、分割、检测），而投影驱动方法更适配强调局部几何精度的任务（如深度估计、光流、关键点匹配） [13] 全景视觉任务工具箱 - 文章覆盖20+代表性任务，并提供了横向跨任务对照表，将任务按四大板块归类：增强与评估、理解、多模态、生成 [14] - 新范式加速渗透，包括Diffusion/生成式模型在文生图/视频、图像补全、新视角合成方向快速涌现，以及3D高斯泼溅（3DGS）在高效高保真渲染中的应用 [14][15] - 多模态对齐，尤其是音频、文本、LiDAR与全景的对齐成为新的研究热点 [14][15] 全景视觉的未来发展方向 - **数据瓶颈**：缺少大规模、跨任务、跨场景的标准360°数据，真实场景高质量标注成本高，多模态资源不足制约研究进程 [21] - **模型范式**：需将基础模型迁移到全景视觉并设计参数高效的专家模块，多模态对齐和全景生成是核心难点 [21] - **下游应用**：关键场景包括空间智能与自动系统（具身智能、自动驾驶）、XR与沉浸式交互、三维重建与数字孪生以及广泛的行业化社会应用 [21]

3D语言场景生成技术突破 - 提出LangScene-X生成式框架，仅需2张图像即可构建3D语言嵌入场景，相比传统NeRF方法所需的20个视角大幅降低输入要求 [2][4] - 攻克传统方法依赖密集视图的痛点，实现多模态信息统一建模，为空间智能领域开辟新路径 [3][5] - 模型能模拟人类认知方式，通过稀疏视觉输入建立融合语言理解的3D空间系统 [4] 传统3D语言场景生成痛点 - 密集视图依赖：传统方法如NeRF在仅2-3张输入时物体边界模糊率超40%，而真实场景获取密集视图成本高昂 [5] - 跨模态割裂：现有方法处理外观/几何/语义时模块独立，导致ScanNet测试中法线与RGB一致性误差达27.3° [6] - 语言特征压缩瓶颈：CLIP的512维特征直接嵌入导致内存占用高，场景切换时文本查询准确率下降58% [7] LangScene-X核心技术方案 - TriMap视频扩散模型：四阶段训练实现RGB/法线/语义协同生成，仅2张输入时法线-RGB误差降至8.1°，语义边界准确率提升63% [8] - 语言量化压缩器(LQC)：通过向量量化将CLIP特征压缩为3维索引，重建误差仅0.0001，跨场景迁移无需微调 [10][11] - 语言嵌入表面场：渐进法线正则化使3D表面重建误差显著降低，"冰箱"查询中表面重合度达91.7% [12] 模型架构创新价值 - 单模型统合多模态生成，消除传统模块化流程低效问题，确保3D空间一致性 [14] - 语言量化压缩器实现高维特征跨场景泛化，内存占用减少90% [10][14] - 语言嵌入表面场技术实现文本与3D场景精准对齐，如"stuffed bear"可精确定位关联区域 [15] 实证性能表现 - LERF-OVS数据集上mAcc达80.85%（+31.18%），mIoU达50.52%（+10.58%） [16] - ScanNet数据集mIoU达66.54%，超越现有方法14.92%，分割掩码边界锐利度超越人工标注 [16] 应用前景 - 技术可应用于VR场景构建、人机交互、自动驾驶及具身智能等领域 [18] - 提供底层技术范式，具备成为空间智能核心驱动力的潜力 [18]