猫眼影戏
 |
|
猫眼影戏
阿蒙森-斯科特
手机审查
猫眼影戏记者 崔如琢 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：国产精品视频com
??01月07日,大陆男子驾艇驶入台淡水河口 国台办指没必要草木皆兵,
村干部处于农村事情的最前沿和最下层，不但是指挥员，并且是战斗员;既是组织向导者，又是生产实践者，是全体村民的主心骨和掌舵人。大到党的蹊径目的政策的贯彻落实和农村经济社会的统筹生长，小到宽大群众的衣食住行和民生改善，村干部都要亲力亲为，直接为千家万户提供效劳。实践证实，一个村事情搞得好欠好，各项事业生长得快烦懑，与我们村干部的素质崎岖、能力强弱有直接关系。做好村干部培训事情，对增强党的下层组织建设，充分验展战斗堡垒作用具有主要意义。区委、区政府一直以来高度重视村干部的培训事情，去年出台的《关于进一步增强村居干步队伍建设的意见》，提出了要鼎力大举推进村居干部职业化，其中对村干部教育培训常态化事情提出了明确要求，希望各州里党委和有关部分要认真抓好落实。
,少妇0V。??01月07日,山东济南：《黑神话：悟空》取景地“猫猫寺”引游客打卡, 中央要求谋划新一轮财税刷新，税制刷新是重头戏，未来增值税、消耗税、个税等主要税种还将有进一步刷新行动。笔者呼吁，在税收征管一直强化的同时，为增进企业、小我私家现实税负维持在合理水平，未来税制刷新应当统筹思量降低名义税率。,哈～c够了吗提纳里,国产JIZZ🈵️18高清视频,国产激情吧。
??时势2：www.色色爱
??01月07日,中国工信部召开第十一次制造业企业座谈会,
那就当一颗星星
,强烈婬药h多p拳交,sm虐乳针扎进奶孔ⅹⅩⅹⅹ,男女免费啪啪。??01月07日,“花架子”无用有害 形式主义必须治,
族长将昔时的事情说了出来，心中一下子轻快了不少。昔时那对匹俦很是强盛，可并没有怎么提及谁人古国，因此许多事情并不清朗。
,亚洲国产日韩女人AAAAAA毛片在线,欧美日韩激情A片视频一站交流,xxxxx在线性爱视频。??时势3：中文字幕中字在线
??01月07日,日本提升伊朗全境危险级别 建议不要进入伊朗纪念川藏、青藏公路建成通车70周年综述：幸福大道通四方,
原本会有一场血战，可是小不点突然闯出，与狈风这个恐怖的天才对决，竟改变了战局，阻止了一场流血冲突，不然不知会死几多人呢。
,大胸女被c🔞黄㊙️COS,96人人操人人爱,女人被男人爽到吟的视频。??01月07日,湖南省气象台发布霾黄色预警,
四要增强监视检查。农村低保金是贫困农民的“救命钱”，必需不折不扣地用在最需要救助的难题群众身上。向导干部要带动深入下层检查督导，发明问题，实时解决。监察、审计部分要增强监视检查，发明优亲厚友和人情低保等征象要实时予以纠正，对事情职员加入套取低保资金的一定要从严查处。民政部分要增强营业检查，确保农村低保事情流程准确、步伐到位、希望顺遂。要流通群众监视渠道，宣布监视电话，起劲为群众政策咨询、来信来访和监视举报提供利便。
,日韩无码欧洲福利,亚洲激情黄色视频,色妞妞影院。??时势4：久久国产精品久久w
??01月07日,《中国户外运动产业发展报告（2023-2024）》发布 消费市场活跃,
蛟鹏、紫山昆、雷明远被击飞了出去，全都大口咳血，化作了滚地葫芦，全身烟尘。
,男生女生一起生产豆浆,www.scjchy.com,国漫被❌到爽🔞奶头。??01月07日,中国贸促会：美301调查无理无据 将组织行业企业进行法律抗辩,
第二，搞好县委换届，是顺遂完成“”妄想的需要。“”时期，是岳西扬特色、打基础，追赶前进，缩小差别的要害时期。这一时期，我们要“围绕一条主线、打造三大基地、实现两个提升”，使命相当沉重。要完成好“”妄想，必定要求在县委的顽强向导下，发动全县共产和全县人民群众落实详细步伐，把党心、民心统一到为实现“”妄想目的立功立业上来。只有搞好换届，选好班子，绘好蓝图，抓好落实，才华促使又快又好的生长。
,鸥州黄色性交网占视频,94午夜理论片,女人大乳被 免费看韩国。【央视快评｜满意不满意要看人民群众】
责编：王彤
审核：普顿
责编：努里·阿布·赛赫民
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
