当前多模态大模型虽能接收音视频，却因数据缺陷无法真正同步理解，存在严重视觉偏置。Meta发布全新数据引擎EgoAVU，通过自动化生成高质量跨模态数据，成功让模型性能最高暴涨113%，为具身智能等领域提供了关键突破。
智能速览
多模态大模型普遍存在视觉偏置，无法真正理解音视频关系。
Meta研究指出，瓶颈在于数据而非模型结构本身。
EgoAVU引擎可自动化生成百万级高质量音视频理解数据。
新数据使模型性能最高提升113%，并构建了全新评测基准。
此突破预示AI竞争正从模型驱动转向数据驱动新范式。
精华内容
Meta的研究揭示，多模态AI的瓶颈不在于模型，而在于数据。其推出的EgoAVU引擎，正是为了解决这一根本问题，让AI真正学会‘边看边听’。
视觉偏置困境
当前主流音视频数据集存在三大致命缺陷：视觉中心化严重、缺乏真实音频语义、没有跨模态关联标注。这导致模型在学习时，从未真正学会如何关联声音与视觉信息，只能依赖视觉线索去‘猜’声音，或直接忽略音频，无法实现真正的同步理解。这是具身智能发展的一大核心障碍。
自动化数据引擎
为解决数据难题，Meta提出了自动化音视频数据引擎EgoAVU。该系统能自动理解视频中的声音-视觉关系，自动生成高质量的问答与叙述数据，并自动筛选出最具跨模态信息的视频片段。它形成了一套可规模化扩展的数据生产流水线，从根本上改变了数据获取方式。
性能暴涨验证
基于EgoAVU，团队构建了包含300万条训练样本的EgoAVU-Instruct和包含3000条人工验证问题的评测基准EgoAVU-Bench。实验证明，在该数据上微调后，模型在Benchmark上的性能最高提升113%，在其他音视频理解任务上最高也提升了28%，效果显著。
数据驱动的未来
EgoAVU带来的最大启示是：未来AI竞争的关键，可能不再是模型结构的创新，而是数据引擎的能力。这标志着多模态AI正从‘模型驱动’迈向‘数据驱动’的新技术范式。对于机器人感知、自动驾驶、AR/VR等依赖第一视角理解的领域，这是一个关键的基础性突破。
EgoAVU的出现，不仅是解决了一个具体的技术难题，更揭示了人工智能发展的新路径。当数据引擎成为核心竞争力，我们将看到更多真正理解复杂物理世界的AI应用。下一步，AI还能解锁哪些前所未有的感知能力？
