猫眼影戏
 |
|
猫眼影戏
梁志民
手机审查
猫眼影戏记者 何君辉 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：扒开白虎桶出水视频
??01月05日,中国南方现大范围降雪 局地积雪深度超20厘米,
(三)落实配套资金，规范资金治理 。做好资金包管和治理，是建设农村低保制度的要害 。一要稳固资金泉源 。农村低保所需资金由中省市县财务分级肩负 。为确保农村低保有稳固的资金泉源，省上要求，市县财务必需划分按上年可用财力的1%安排农村低保资金，这是一条刚性政谋划定，县财务、民政部分要加大协作力度，严酷按省上划定将配套资金筹措到位 。二要规范资金治理 。县财务部分要凭证下一年度的资金需求，足额安排好农村低保资金预算，实验专户治理，专款专用 。凡按预算列入低保专户的资金禁绝挪作他用 。要完善资金治理和监视机制，按期或未必期开展专项检查，规范资金运作程序，发明问题实时纠正，包管资金清静运行 。三要实验社会化发放 。要严酷规范低保资金发放，由民政部分将农村低保挂号审批名册和拨款提供应财务部分 。经复核后，由财务部分将低保资金直接拨给农村信用社，实验社会化发放，确保资金按季度足额发放到户 。农村信用社要起劲为农村低；峁┦凳薄⒅苊堋⒈憬莸男Ю，通过开设署理网点、增设低保专门窗口等步伐，确保低保资金利便、快捷地发放到低；种 。低；Я烊“芙鹪蛏辖跏懒，对确因年迈体弱、智障、残疾的工具，可由州里民政所委托村委会代领 。
,两女双飞一区二区视频 。??01月05日,林下经济促振兴 广西龙胜大山深处百合“香”, 关于接下来的妄想，李龙体现，9日晚就返回北京好好休息，接下来一段时间不会再宣布考试相关的分数、报考情形等，“关于考试效果，我也做了两手准备，不管什么样都接受 。”,外模自拍偷拍,欧美性爱A片图片,影音先锋 日韩精品 。
??时势2：李一桐ai换睑av
??01月05日,全球邮轮业复苏步伐加快,
赤光再闪，十八根神羽再现，一腾飞来，宛若十八杆战神之矛，赤霞如血，染红天涯 。
,大黄色视频免费看,成·人免费午夜无码视频a,久久久无码c区 。??01月05日,街坊邻居炫球技 沈阳首届“街BA”社区篮球联赛启幕,
二是坚持都会建设市场化 。要把都会看作是一个资源手艺麋集型的工业形态，一直提高都会建设的市场化水平 。要引入竞争机制，开放修建市场，建设完善招标、投标步伐，确保公正、公正、果真，杜绝暗箱操作 。要把城镇基础设施作为工业来谋划，在政府、企业和投资者之间建设一种互动、互利、互惠的机制，增进都会基础设施建设可一连生长 。
,极品偷拍,黄色网址在线观看a,爆操黑丝 。??时势3：_级黄色视频
??01月05日,和谐共生丨构建人与自然和谐共生的地球家园 习近平阐明中国理念,
村人怒瞪着眼睛，向前望去，全都不语言 。
,可以在线观看黄色视频的网站,亚洲AV片不卡无码一国产精品,啊啊啊国产无码在线 。??01月05日,中华社会救助基金会关注高原肺动脉高压病 为青海患者捐赠药物,
档案法治建设是一项恒久而难题的使命，必需长抓不懈 。不但要抓紧档案立法，更要抓好档案执律例则的宣传和执法检查事情 。一是搞好档案系统xx普法宣布道育活动，认真宣传《中华人民共和国档案法》、接纳多种形式宣传《云南省档案条例》，一直提高全社会的档案执法意识 。二是各级档案部分要深入推行档案系统行政执法责任制，建设健全档案执法检查事情长效机制，按期开展档案执法检查事情 。三是认真组织好《__市档案治理条例》的立法调研，在学习先进蓬勃地区履历的基础上，普遍征求上级档案部分和全市档案事情者的意见，约请执法专家和学者举行论证，形成提交人大审议稿 。
,日韩中文字幕久久专区,性爱网页,操欧美另类人与兽 。??时势4：日韩欧美在线bv
??01月05日,【巴黎奥运会】郑钦文：再艰难的时刻我都没有想过放弃,
小不点宝相庄重，一声轻喝，施展宝术，一轮重大的银月泛起在其背后，直径能有一丈，将那里映照的一片绚烂，宛若一片璀璨神环，将他护在中央 。
,在线视频免费观看18国产,永久免费 看片免费视频,Gay狠打男男屁股spank 。??01月05日,借“手机口”助施诈骗者获刑：勿成电诈“工具人”,
在此，我谨代表数信学院，向前来向导我们消防知识并指导我们演练的守卫处同志体现热烈的接待！对守卫处一直以来对我院消防以及治安等事情的鼎力大举支持体现衷心的谢谢！
,久久这里热,又爽又黄有无遮拦的视频,果冻精品秘 国产传媒AV消防 。责编：何裕华
审核：周星增
责编：陈焕银
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
