NUS寿政教授展示Show-o架构，自回归与离散扩散融合开启具身智能新范式

在2026年9月于瑞典马尔默举行的计算机视觉顶级会议ECCV上，新加坡国立大学（NUS）Show Lab 寿政教授团队发布了一项具有里程碑意义的研究成果——Show-o架构。这一架构通过深度整合自回归（AR）机制与离散掩码扩散（Discrete Diffusion），首次在单一Transformer模型中实现了文本理解与视觉生成的无缝衔接，为下一代具身大模型底座的构建开辟了全新方向。

"告别模型拼贴套路，自回归与离散扩散的融合，正在开启AI的体验时代。"寿政教授在演讲中强调，传统的多模态模型往往采用独立的自回归和连续扩散模块，这种分立架构虽然在特定任务上表现优异，却难以实现真正的统一。而Show-o架构通过底层逻辑的重构，成功打破了文本离散性与视觉连续性的壁垒，既避免了自回归生成图像时的效率瓶颈，又克服了连续扩散模型无法直接对接视觉语言模型（VLM）离散Token的痛点。

在具体实现上，Show-o架构的核心创新体现在三个方面：首先，在架构设计层面，通过将处理文本的自回归机制与处理视觉的离散掩码扩散深度缝合，实现了逻辑推理与高质生成的完美共生；其次，针对具身智能领域普遍存在的数据稀缺问题，团队提出了循环一致性监督（Cycle Consistency）方法，使模型能够从YouTube等无标签视频中自主学习物理常识，显著拓宽了Scaling Law的数据边界；最后，为了满足具身智能对毫秒级反应的需求，团队自主研发了Q1实时骨干网，通过精密的特征对齐与蒸馏技术，实现了远超现有闭源大模型的推理速度。

这一研究成果的意义不仅在于性能提升，更在于它重新定义了多模态架构的发展方向。正如寿政教授所言："这不仅是技术上的跨越，更是多模态架构从‘实验玩具’向‘具身大脑’进化的分水岭。"

在随后的具身科学家论坛上，多位行业专家就具身智能的未来发展方向展开了深入讨论。蚂蚁灵波科技首席科学家沈宇军指出，当前具身智能发展面临的最大挑战是模型的泛化能力，"机器人需要能够在不同场景下进行有效的动作决策，而这要求我们重新思考如何从传感器原始信号中提取更有意义的Token，并将其有效融合到模型中。"

此外，研究团队还展示了Show-o架构在实际应用中的潜力。通过结合自动化透皮扩散细胞仪的技术，Show-o架构能够更精准地模拟皮肤屏障特性，为新型纳米载体评价提供科学依据。这一跨领域的技术融合，进一步验证了Show-o架构在复杂环境下的适应性和可靠性。

"随着技术的不断演进，我们相信Show-o架构将成为连接体外研究与临床转化的重要桥梁，"寿政教授总结道，"这不仅是一个技术突破，更是AI从理论探索走向实际应用的关键一步。"