学术界与产业界长期由Transformer主导多模态处理的格局正在被打破。腾讯AI实验室联合香港中文大学团队提出了一种创新的大核CNN架构，该结构在图像识别任务中实现了精度与速度的双重领先。更为关键的是，当切换至点云、音频或视频等其他数据模态时，仅需简单预处理即可无缝适配，性能仍接近甚至超越当前SOTA水平。这项研究验证了传统卷积网络在特定架构下的潜力，为算力受限环境下的多模态部署提供了极具性价比的替代路径。
关键要点
- 图像识别精度与处理速度双维度超越Transformer
- 跨模态迁移只需简单预处理无需改动底层结构
- 为算力受限场景提供了高性价比的多模态方案
