MoEIoU：将边界框回归重新思考为专家混合模型，YOLO全系列通用边界框回归损失函数，大概是目标检测里最“卷”却最容易被忽视的模块。CIoU 统治了 YOLO 系好几年，WIoU 用动态聚焦机制刷了一波存在感，但所有 IoU-based 损失函数都共享一个根深蒂固的设计惯性：用固定的加性公式把重叠项、中心距离项、宽高比项焊死在一起，从训练第一步到结束，每一项的权重纹丝不动。2026 年 5 月，一篇 arXiv 论文直接把这个前提掀了——MoEIoU 把边界框回归重新定义为“专家混合”（Mixture of Experts），让损失函数在训练过程中根据当前预测框的误差分布，动态把梯度分配给“最需要修正”的那个几何项。更关键的是，它是纯损失层替换，不碰模型架构，YOLOv12 和 YOLO26 上全部验证通过。问题到底出在哪：固定加性公式的“盲区”根据 arXiv 2606.00844 论文的描述，现有 IoU 损失函数的根本缺陷不在于“项不够多”，而在于惩罚项的权重与训练阶段脱钩。训练早期，预测框的中心距离和形状误差占主导，此时几何项（中心距离、宽高比）的梯度信号远比 IoU 项有意义；训练后期，框已经大致对齐，精细重叠度的提升才是关键，几何项的固定权重反而成了噪声。CIoU、EIoU、SIoU 都在几何项的设计上做了精细化，WIoU 引入了动态聚焦来抑制低质量样本的梯度，但没有任何一个方法改变“所有项同时、等权参与聚合”的基本范式。MoEIoU 的