猫眼影戏
 |
|
猫眼影戏
郭黄彬
手机审查
猫眼影戏记者 于同超 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：日B要日小嫩B
??01月07日,浙江队外援奥乌苏：中超风格多变 我找到了自己的节奏,
结业班（精选31篇）
,3373.TV 。??01月07日,多地发放新一轮消费券 涵盖餐饮、住宿、电影等多个领域,
“咦 ，那是……”突然 ，有凶寇发明了村中一闪而没的独角兽 ，眼中马上发出凶光 ，露出惊喜的神色 。
,熟女阿姨社区,黄片一站二站aa,亚洲一级一级一级黄片 。??时势2：天天爽夜夜爽精品视频一免费
??01月07日,青海撒拉尔之乡：航拍油菜梯田花开如画,
早上好!在雄壮的国歌声中 ，陪同着催人奋进的响亮铃声 ，在这冬去春来 ，万物苏醒 ，春暖花开的时节 ，我们又迎来一个充满期待、充满希望的新学期 。在这里我向各人拜个晚年 ，祝愿各人新年好! 亲爱的同砚们 ，为了资助你们 ，开学前 ，学校里的先生一直在做着全心的准备 。就像以往一样 ，我们每一位先生都怀着重大的瞻仰期待着你们康健地生长,希望你们长得更高、变得更懂事 。而你们 ，也一定会用自己的言行 ，让先生们由衷地感应 ，重新泛起在他们眼前的学生更可爱了 。
,又爽又色高潮视频国产网站,亚洲黃色視頻,日本护士free另类内谢 。??01月07日,黑龙江省水利厅原一级巡视员孙飚被“双开”,
同砚们 ，时光荏苒 ，岁月如梭 ，养年春节也过完了 ，关于同砚们来说 ，从今天最先就要把所有身心投入到学习上来 ，调解盛意态 ，以最快的速率顺应主要而充分的校园生涯 ，由于 ，关于现在的你来说 ，学习才是你的基础 ，一小我私家一生中学生时代是最优美的时光 ，同时它又是人生旅程中最主要的阶段 ，由于 ，每小我私家的人心理想都要在学生时代起航 。
,成人性生交大片免费看A片男组长小说,特黄特色免费全部视频,免费黄色视频在 。??时势3：18分钟处破初疼哭在线
??01月07日,广西钦州北过境线公路钦江特大桥顺利合龙,
这学期 ，关于我们结业班的同砚来说是至关主要的. 。两个多月后我们就要面临人生蹊径上第一道关口 —— 小升初 。面临我们人生中的第一次挑战 ，我们一定会勇敢地迎接这次挑战 。是以优异的效果结业 ，照旧带有遗憾脱离朝夕相伴的先生、同砚而去？同砚们 ，运气的航船掌握在我们自己手中 ，失败、乐成都只能代表已往 ，“雄关漫道真如铁 ，现在迈步重新越” 。让我们将最后的两个多月作为新的起点 ，以更饱满的学习热情 ，更扎实的学习作风 ，在先生的悉心指导资助下 ，找准偏向、增强信心、战胜难题 ，投入到生动生动、主要有序、文明守纪的学习生涯中去 ，以 骄人的效果向先生、怙恃汇报 。
,日本免费在线,国厂精品一区XXX,国产91在线播 。??01月07日,15天1328公里！新生骑行去北大,
小不点没有一点觉悟 ，泛起后自来熟 ，跟谁都打招呼 ，跟这个挥手 ，跟谁人拍肩头 。
?第二百二十二章 十凶遗术,K200.tv,日产欧精品,国产日韩欧美在线观看A 。??时势4：www外国成年人视频
??01月07日,采访中国全国两会的外国记者——“把中国的故事讲给更多人听”,
两者碰撞 ，玄色闪电与紫光爆发 ，炸碎成符文 ，成片的烙印在虚空中 ，情形惊人 。
,亚洲精品黄色,色色视频网站,黄 色 视 频 (小游戏) 。??01月07日,中方对肯尼亚近日遭受严重洪涝灾害表示诚挚慰问,
今天 ，能加入*镇与*集团城中村项目签约仪式 ，感应无比兴奋和欣慰 。在此 ，我代表县委、县政府 ，向*镇党委、政府 ，*集整体现热烈的祝贺!向恒久以来体贴、支持生长的各界人士致以真挚的谢意!
,911国内自产,能直接看的黄色网站,亚洲最大黄片 。责编：邓丽慧
审核：江玉
责编：梁泳
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
