当大语言模型凭借推理时计算扩展技术在逻辑推理领域实现突破，计算机视觉的发展也迎来全新拐点——从单纯的像素感知，迈向兼具深度推理与逻辑思考的System 2时代。ViSCALE 2.0作为CVPR 2026计算机视觉推理扩展研讨会的核心议题，汇聚全球顶尖学者力量，以测试时计算扩展（TTS）为核心抓手，打破传统视觉模型的能力瓶颈，邀各界研究者共同重塑计算机视觉的System 2，开启视觉智能的全新范式。
传统计算机视觉模型多停留在System 1的“直觉反应”层面，擅长静态的像素识别与模式匹配，却难以应对复杂场景下的深度推理的需求。就像早期视觉模型能“看懂”图像中的物体轮廓，却无法理解物体间的物理关联、进行长时序因果推理，更难以像人类一样完成多步思考与自我修正，这一局限严重制约了视觉智能在具身智能、自动驾驶等领域的深度应用。
ViSCALE 2.0的核心突破，在于将测试时计算扩展技术深度融入视觉模型，推动其从“感知”向“推理”跃迁，真正实现System 2的“慢思考”能力。不同于传统模型固定的推理模式，ViSCALE 2.0支持模型在测试时动态分配计算资源，针对复杂任务灵活调整推理策略，就像人类遇到难题时会集中精力深入思考，而非仅凭直觉判断，这种自适应推理模式让视觉模型具备了类似人类的逻辑思维能力。
围绕重塑计算机视觉System 2的核心目标，ViSCALE 2.0聚焦四大关键探索方向，构建起完整的研究体系。其一，世界模型与视频生成，利用TTS技术提升视频生成的物理一致性与长时序因果推理能力，让生成内容更贴合现实规律；其二，空间与几何推理，突破2D视觉限制，让模型在3D空间中具备类似人类的导航与操作直觉；其三，视觉思维链（Visual CoT），借鉴大语言模型的推理模式，让视觉模型学会反思、自我修正与多步推理；其四，推理扩展律，深入探索测试时计算量与视觉推理性能之间的关联，为模型优化提供理论支撑。
作为全球计算机视觉推理领域的重要交流平台，ViSCALE 2.0由清华、普林斯顿等顶尖机构学者联合举办，已邀请到Sergey Levine、Ziwei Liu等学界业界顶尖专家，围绕空间智能、世界模型等热点话题展开深入研讨。同时，研讨会面向全球征集原创研究成果，鼓励研究者提交打破现有模型天花板的新颖观点，涵盖TTS理论基础、具身智能中的推理扩展等核心议题，为重塑计算机视觉System 2凝聚创新力量。
从像素感知到深度推理，从单一识别到综合思考，ViSCALE 2.0正推动计算机视觉迈入全新的System 2时代。它不仅为视觉模型的能力突破提供了全新路径，更将助力视觉智能在自动驾驶、机器人、元宇宙等领域的深度落地。未来，随着全球研究者的共同探索，ViSCALE 2.0必将重塑计算机视觉的发展格局，让视觉智能真正拥有“看懂世界、思考世界”的能力，解锁更多科技应用的无限可能。