视觉是人类理解复杂物理世界的重要方式。让计算机具备视觉感知与认知的能力，是人工智能的主要研究问题之一，对多模态基础模型、具身智能、医疗 AI 等重要领域具有关键支撑作用。过去几十年间，计算机视觉取得了显著突破，已在图像识别、目标检测、多模态理解等多个任务上接近甚至超越人类专家水平。然而，当前的高精度模型在实际落地中常面临较大挑战：它们的推理过程往往需要激活上亿参数来处理高分辨率图像或视频、以解决复杂和挑战性的视觉问题，导致功耗、存储需求和响应时延急剧上升。这一瓶颈使得它们难以部署在算力、能耗、存储等资源…