北京
6月3日上午，苹果研究员Colin Lea将站上丹佛科罗拉多会议中心的讲台，为CVPR 2026带来一场名为“生成式AI与手语研讨会”的主题演讲。此时，距离苹果全球开发者大会WWDC还有不到一周，而Lea的研究正是苹果在AI落地上的一个缩影：用大模型推动手语标注自动化，然后让iOS无障碍功能接住这个成果。
苹果将在6月3日至7日举办的IEEE/CVF计算机视觉与模式识别大会（CVPR）上，一口气展示14篇AI论文，覆盖图像生成、空间理解、多模态推理等方向。苹果还赞助了这次大会，现场231号展位会在6月5日至7日持续展出海报，展示时间从上午10点到下午6点（山地夏令时），最后一天则提前至下午3点结束。苹果工程师在6月3日和4日还有一系列受邀演讲，同时Hsin-Ping Huang与Maggie Xiao将在6月4日的WiCV导师晚宴上代表苹果出席。
这14篇论文的标题透露出苹果密集的AI探索路径。手语方面，除了Colin Lea主导的《利用手语模型引导手语标注》研究，还有一份更早被AppleInsider披露过的人工智能手语标注工作，都将在此次会议上正式亮相。多模态方向上，《AMUSE：面向代理型多说话者理解的视听基准和对齐框架》和《SO-Bench：多模态大模型的结构化输出评估》试图让AI在复杂视听场景中更靠谱。空间与视觉理解则有《从物体位置到用途：多模态大模型的空间功能智能基准》以及《Velox：学习4D几何与外观表征》，前者专门考察模型能不能从“东西在哪儿”推断出“这东西能干什么”——这类空间推理，可能会成为iOS 27无障碍特性的底层能力之一。
视觉生成赛道也不乏亮点。《Pico-Banana-400K：大规模文本引导图像编辑数据集》和《UniGen-1.5：通过强化学习奖励统一提升图像生成与编辑》瞄准了可控图像编辑；视频领域，《STARFlow-V：基于归一化流的端到端视频生成建模》与《TrajTok：学习轨迹令牌以实现更好的视频理解》则从运动轨迹角度切入视频生成。另外，《AToken：一种统一的视觉分词器》试图用一个分词器打通视觉表征，减少模型之间的转换损耗。
更贴近工程落地的是《实用可学习图像压缩中的关键因素》和《DSO：直接引导优化用于偏差缓解》。前者直指苹果产品中图像传输与存储效率，后者关注AI偏见校正。苹果在论文中明确将大语言模型的应用延伸到了UI原型设计、质量保障测试等领域，这表明这些研究不是纯理论演示，而是已经在苹果内部的工具链中跑起来了。
苹果如此高密度地在CVPR上释放研究信号，与iOS 27即将到来的节点形成微妙呼应。许多论文里提到的空间理解能力、视听多模态处理、高效图像压缩等，都与移动设备上的实时体验直接相关。比如手语标注若能跑在本地芯片上，视障或听障用户使用iOS设备的体验将大幅改观；而“从位置到用途”的空间推理则可能让旁白、放大镜等辅助功能更聪明地理解用户周围环境。
在近一年苹果不断提及设备端AI的语境下，这次CVPR的论文阵列像一份功能预告单：它不承诺明天就上线，但清晰标出了苹果内部正在打磨的技术桩。6月的丹佛会议结束后，7月WWDC上或许会有更贴近消费者的答案。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
