猫眼影戏
 |
|
猫眼影戏
周建玲
手机审查
猫眼影戏记者 陈友青 报道Q8X2R7L1T4J5M9B6W3
新智元报道
编辑：LRST
【新智元导读】多目的（Multi-target） 以及 视觉参照（Visual Reference） 为视觉定位（Visual Grounding）使命的推理速率和性能同时带来了全新的挑战 。 为相识决这一难题，来自UIC和Adobe的研究团队提出了VGent模子 。这是一种兼顾速率与性能的？榛杓，旨在将模子的推理与展望能力解耦，并辅以多种？榛銮考苹 。最终，VGent依附不到16B的参数目，在多目的及带视觉参照的视觉定位基准（Omnimodal Referring Expression Segmentation, ORES）上，大幅逾越了Qwen3-VL-30B，实现了平均+18.24 F1的重大提升！
在多模态大模子（MLLM）时代，视觉定位是MLLM细粒度推理能力的主要一环，同时也是实现人机交互和具身智能的焦点能力 。
现有的解决计划主要分为两类：
原生Token派（Native-token）：像 Qwen2.5-VL 或 Ferret-v2 这样的模子，通过自回归（auto-regressive）的方法使用原有的词表逐个天生界线框坐标 。这种方法不但速率慢（推理时间随目的数目线性增添），并且在多目的场景下容易爆发幻觉（Hallucinations），即模子可能会在枚举完所有目的工具之前就过早阻止，或者在目的麋集的场景中陷入无限天生的死循环 。如图一所示，随着目的数目的增添，这类要领在多目的场景下的低效和不稳固性变得尤为显着 。
新增Token派（New-token）：另一类要领实验通过引入特殊的token（如[SEG]或 object token）来指代目的物 。他们需要网络大规模的数据集、从LLM起重新构建一个能明确这些新增token的MLLM 。因此，这种要领不可阻止地会破损LLM在预训练阶段获得的通用推理能力 。更严重的是，其导致无法直接使用现有的、先进的、举行了更大规模预训练的开源MLLM（如 QwenVL系列） 。
来自UIC（伊利诺伊大学芝加哥分校） 和Adobe的研究团队提出一种？榛谋嗦肫-解码器（Encoder-Decoder）架构VGent，其焦点头脑是：将高层的语义推理交给MLLM，将底层的像素展望交给目的检测器（detector），最终通过hidden state将这种解耦后的关系举行毗连 。
论文地点：https://arxiv.org/abs/2512.11099
研究职员以为，语义推理和精准定位是两种截然差别的能力，强迫训练一个简单的整体模子去同时醒目笼统的语义推理和像素级别的底层展望，会导致性能和效率上的权衡 。
更切合直觉的方法，应该是由差别的组件做各自善于的事 。
基于这一洞察，VGent提出了一种？榛谋嗦肫-解码器设计，使用现成的MLLM和detector将高层多模态推理与底层展望解耦 。
其焦点理念在于MLLM和detector的优势是互补的：MLLM善于多模态语义对齐和推理，而detector则善于高效地提供精准的多目的检测框 。
图一：VGent（蓝色）与现有先进的MLLM（Qwen2.5-VL，灰色）在多目的视觉定位使命上的比照 。左图显示VGent的推理时间恒定且迅速，而 MLLM 随目的数目增添呈线性增添；右图显示VGent在F1分数上实现了显著提升，特殊是在多目的场景下 。
要领
基础架构
VGent主要由图二所示的encoder和decoder两部分组成，并引入了三种？榛銮炕疲ㄍ既⑺暮臀澹 。
图二：VGent框架概览
如图二所示，左侧encoder是一个 MLLM，使用QuadThinker来提升其多目的推理能力 。冻结的encoder输出hidden states并存储下来给到decoder 。右侧decoder初始化自encoder的LLM 层，其将detector天生的object proposal作为query，通过cross-attention与encoder的hidden states交互 。
研究职员在decoder内部新增了self-attention层（参数初始化自统一层的cross-attention），用于增进query之间的信息交流 。 最终的输出举行yes / no的二元判断来选择每个proposal是否属于目的 。响应的segmentation mask则通过 prompt SAM 获得 。
QuadThinker：强化多目的推理能力
针对MLLM在多目的场景下推理能力下降的问题，研究职员提出了一种基于 GRPO 的强化学习训练范式QuadThinker，通过设计特定的prompt和reward functions，指导模子执行区域到全局、分步推理的历程：先划分统计图像四个象限内的目的数目，再汇总总数，最后展望详细坐标 。
图三：QuadThinker所使用的prompt 。
Mask-aware Label：解决检测与支解的歧义
在多目的场景中，检测（Box）与支解（Mask）使命的界说保存一定的差别 。检测通常优化「一对一」的匹配，而支解则旨在召回所有远景像素 。
图四：Mask-aware Label示意图 ；贗oA的标签分派战略能召回被古板IoU忽略的细粒度部件 。
这种差别导致了标注歧义：例如图四（左）中，检测器可能将「鹿头装饰」与其「挂绳」视为两个自力的框 。
在检测使命的 IoU 标准下，由于挂绳的框较量小、相关于整体真值框的重叠率过低，往往会被看成负样本在标注阶段被过滤掉（被标上负标签） 。可是关于支解使命来说，这个挂绳属于远景，其应该被标上正标签 。
为此，VGent引入了Mask-aware Label，使用IoA (Intersection-over-Area) 指标举行特另外标签分派 。如图四（右），IoA通过盘算候选mask （通过proposal prompt SAM获得）与多目的真值的union mask的交集，并除以候选mask自身的面积获得 。
由于IoA的分母是候选mask自身面积，该机制能精准召回那些虽然只笼罩了部分目的群（如细小的挂绳）但依然有用的 proposal 。模子使用另一个自力的MLP head专门展望这种支解导向的标签，用于解决视觉定位中支解类型的输出 。
Global Target Recognition：增强全局感知
为了提升候选框选择的准确性，VGent 引入了Global Target Recognition？ 。
图五：Global Target Recognition示意图 。使用Learnable Queries注入全局目的数目信息，并聚合多个detector的效果以提升召回率 。
为了提高召回率，研究职员聚合了来自多个detector的proposal形成一个统一的query set，之后引入了特另外 learnable queries与这些proposal queries拼接作为decoder的输入 。
这组query被专门训练用于展望目的的总数以及正样本proposal的数目 。通过decoder层内的self-attention机制，这些包括全局统计信息的learnable query能够与proposal query举行交互，将「全局线索」撒播给每一个候选框，从而增强其对目的群体的整体明确，实现更精准的选择 。
实验效果
研究职员在最新的多目的视觉定位基准 ORES (MaskGroups-HQ) 以及古板的单目的数据集上举行了普遍评估 。
多目的视觉定位（Multi-target Visual Grounding）
图六：在 Omnimodal Referring Expression Segmentation (ORES) 上的性能比照 。ORES是多目的以及保存视觉参照（w/ < mask-ref >）的视觉定位基准 。
如图六所示，在极具挑战的ORES基准上，VGent 取得了全新的SOTA效果 。相比之前的最佳要领RAS13B，VGent在F1分数上实现了+20.58%的重大提升 。VGent在gIoU和cIoU上都带来了显着的提升 。
值得注重的是，纵然比照参数目更大的Qwen3-VL-30B，VGent 依然坚持显著优势 。同时，得益于？榛杓，VGent 在目的数目增添时坚持恒定且快速的推理速率，阻止了自回归模子随目的增添而线性增添的推理延迟（如图一所示） 。
单目的视觉定位（Single-target Visual Grounding）
图七：在referring expression comprehension (REC) 上的性能比照 。
VGent在古板单目的基准（RefCOCO, RefCOCO+, RefCOCOg）上也体现卓越 。
VGent实现了90.1%的平均准确率，逾越了InternVL3.5-20B和38B等更大规模的模子 。相比其backbone (Qwen2.5-VL-7B)，VGent带来了+3.5%的平均性能提升 。
可视化
图八：VGent在差别挑战下的展望效果可视化 。
VGent在重大场景中展现了极强的鲁棒性 。
如图八（上）所示，VGent精准定位所有方形钟表，纵然保存大宗相似的钟表作为滋扰项，展现了VGent在麋集多目的场景下的优越体现 。
图八（下）中，VGent 乐成定位了视觉参照（蓝色 mask），并继续推断出左侧穿裙子的女士，扫除了右侧的滋扰项 。
参考资料：
https://arxiv.org/abs/2512.11099
秒追ASI
?点赞、转发、在看一键三连?
点亮星标，锁定新智元极速推送！
??时势1：末满18勿app看网站
??01月04日,（两会速递）中山大学今年将在香港设立高等研究院,
一群孩子实力突飞猛进，骨文造诣都极深了 。这个效果震撼了一群老人，最后全都笑的合不拢嘴，差点将雪白的胡子给抓下来 。
,40XXOO .com 。??01月04日,推动高质量发展·权威发布｜吉林风光电资源发展空间广阔,
四、向导学生参赛效果突出 。
,一级强奸视频网址,亚洲高清aⅴ毛片自拍,精东传媒刘玥吞精 。??时势2：91精品全国免费观看
??01月04日,巴基斯坦俾路支省发生多起袭击 官方称已消灭21名恐怖分子,
京东白条是京东推出的一种消耗信贷产品，为用户提供了利便快捷的购物方法 。然而，随着人们对京东白条的使用越来越频仍，也有一些用户因种种缘故原由导致逾期还款 。那么，京东白条逾期多久会被催收呢？逾期会上信用名单吗？逾期了又该如那里置呢？下面我们将逐一解答这些问题 。
一样平常逾期就会被催收 。
详细的逾期催收时间可能因京东白条的政策和小我私家条约约定而有所差别 。京东的催收方法可能包括电话通知、短信提醒和逾期通知翰札等 。他们可能会要求您诠释逾期缘故原由、制订还款妄想，并接纳其他适当的催收手段 。
若是您长时间没有还款或未与京东告竣合理的还款安排，催收行为可能进一步升级，包括但不限于：加收逾期利息、滞纳金；将逾期纪录报送信用机构；接纳执法诉讼等步伐追讨债务 。
逾期后一个月内上信用 。
京东白条逾期后，凭证京东白条的政策，一样平常情形下乞贷人在逾期后一个月内未能还款，可能会被列入信用黑名单或不良信用纪录 。
被列入信用黑名单或不良信用纪录可能会对小我私家信用爆发负面影响 。银行、金融机构和其他债权人通；岵慰夹∥宜郊业男庞眉吐祭雌拦榔湫庞梦：突箍钅芰 。因此，有不良信用纪录可能会给乞贷人在未来申请贷款、信用卡或其他金融效劳时带来困扰 。
首先，用户应该尽快与京东白条客服**，说明自己的情形，并提出还款妄想 。京东白条客服会凭证用户的情形给予响应的资助和建议 。其次，用户可以思量向亲友挚友乞贷，或者通过其他途径筹集资金，尽快还清欠款 。若是用户确实无法一次性还清欠款，可以与京东白条协商分期还款的方法，以减轻还款压力 。
别的，用户还应该注重；ば∥宜郊倚庞，阻止再次逾期 ？梢酝ü侠硗胂，阻止凌驾自己的还款能力 。同时，建议用户在使用京东白条之前，要充分相知趣关划定和用度，确保自己能够准时还款 。
?开学学校向导讲话（通用34篇）,黄色网页入口,黄片视频大全免费看,丝袜老师让我❌了一夜视频的软件 。??01月04日,（两会观察）7天人代会：“小片段”折射民主“大全景”,
敬爱的先生，亲爱的同砚：
,特一级黄页网站,www.r66p.com,东京热婷无码人妻一区二区Av 。??时势3：亚洲老奶老HD
??01月04日,杭州西湖进入冰冻模式 冰凌垂挂展现别样风采,
它迅速睁开防御，但照旧晚了，一道恐怖的光束照射而来，犹如一杆神矛从天外洞穿而至，刺进了它的胸部 。
,日本猛少妇色XXXXX猛叫,国产AV好痛好紧,人人舔人人干人人操 。??01月04日,航拍江西龙虎山脚下春日田园 云雾缭绕水满田畴美如画,
“小西天……”小不点自语，凶寇道出了这个名字，可是所知有限，他们只是在衔命行事，寻找至尊神藏 。据传，已经有眉目了，现在需要网络诸多黑金，留待未来破符文古阵用 。
,国产黑料绿帽社入口,中国一级操逼一级毛片,中国黄色视频在线观看 。??时势4：又粗又硬又黄又爽免费
??01月04日,新疆阿克苏地区乌什县发生7.1级地震：地震来临 客运员第一时间组织旅客疏散,
初始地人山人海，险些要被挤爆了，那青石上的金色通道一直构建，闪灼霞光，但依旧显得很主要，基础不敷用，一批又一批的人泛起 。
,老汉拉车的正确姿势是什么图片,98免费人妻无码视频,国产特级婬片免费看 。??01月04日,第二届世界汉学家大会举行,
就这样，独角兽足足绕着大湖奔行了数十圈，它没有疲累，二猛却差点吐了，跟腾云驾雾般 。
,国产手机自拍,欧美特级黄片在线播放,超碰国产精品人人做人人爱 。责编：罗春生
审核：潘通
责编：陈凯歌
Copyright (C) 2001- dzwww.com. All Rights Reserved
新闻信息效劳允许证 - 音像制品出书允许证 - 广播电视节目制作谋划允许证 - 网络视听允许证 - 网络文化谋划允许证
山东省互联网传媒集团主理 联系电话：0531-85193202 违法不良信息举报电话：0531-85196540
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
