相关性；(c) 过滤捷径题前后主要模型的性能差距。（图片来源：Naver Cloud）
[E-DailyHan Kwangbeom 记者] 随着Team Naver共有23篇研究论文被世界三大计算机视觉学术会议之一“ECCV（欧洲计算机视觉会议）2026”录用，Naver（NAVER(035420) ）Cloud公开了4篇聚焦AI“理解过程”与“评估体系”的论文。
Naver Cloud于28日表示，在此次ECCV 2026会议上，他们诊断了隐藏在表面基准测试分数背后的AI技巧和判断错误，并提出了纠正这些问题的学习方法。
首先，Naver Cloud分析了评估AI视频理解能力的现有视频基准测试中的缺陷（论文：《Video-Oasis：重新思考视频理解的评估》）。 针对现有的14个基准测试，进行了视频移除、场景顺序打乱等6种测试，结果显示，55%的题目即使不仔细观看视频也能答对。排除此类题目后重新评估，主要模型的准确率仅为26%至37%。Naver Cloud并未制定新的评估标准，而是提出了一种用于诊断现有测试题本身问题的工具。
研究还探讨了AI依赖物体来惯性判断动作的问题（论文：《Why Can’t I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition》）。 具体来说，AI在训练数据中学习到“抽屉”主要与“关闭”动作组合出现后，便会在未观察实际动作、仅看到抽屉的情况下，就将其判定为“关闭”动作。研究团队通过引入视频合成技术和逆向学习法，仅靠改进学习方法，无需收集额外数据或扩展模型，就提升了动作识别的精度。
校正，其精度高于现有方法（中间），结果如图所示（右侧，绿色）。（图片来源：Naver Cloud）
还发布了利用AI弱点来提高精度的遮罩精炼技术“凤凰（Phoenix）”（论文：《Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation》）。 该技术利用能使AI失效的“对抗性攻击”技术，自动生成AI在实际中容易混淆的区域的训练数据。通过此举，将物体轮廓提取及微小区域区分的精细分割性能提升了最高21个百分点。
还展示了利用语言模型学习图像中三维空间结构的研究“SpatialBoost”（论文：《SpatialBoost: Enhancing Visual Representation through Language-Guided Reasoning》）。 该研究从2D照片中提取深度和位置信息并转换为句子，随后按点、物体、整个场景的顺序分阶段构建空间理解能力，并通过语言模型将其注入视觉模块。这种方法在降低3D数据构建成本的同时，也提升了机器人操作和图像分类性能。
Naver Cloud相关人士表示：“此次入选的论文意义重大，它们验证了AI是否能够正确处理信息，并指明了改进方向”，并称：“我们将深入研究AI理解和判断信息的全过程，以构建值得信赖的AI生态系统。”
