首页
下载APP
首页
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！
《老婆偷人性爱视频》，《Q8X2R7L1T4J5M9B6W3》日韩欧美一级A片免费体验
“精品囯产在热久久婷婷”
巫唐专辑Easy
……
01月04日
“精品黄片观看”紫金矿业回应被掠走3吨黄金
↓↓↓
01月04日，甘肃文化品牌：一部《四库全书》，让中国古典文化“活”起来，1024手机在线你懂的，8x拔插91看片高潮，缅北恐怖网站wwww，国产又黄又湿又爽的视频
01月04日，新疆首家国际化、智能化新型医疗机构开工，欧美日韩国产第一页激情，日本AAA级免费黄色视频，97涊涊，人超人碰人超
01月04日，霍震霆：希望运动员故事启发更多人，图片小说视频在线，国产AV精久久，亚洲视频区一，夜夜爽人人爽
01月04日|西藏阿里：送证上门暖人心 便民利民显真情|嗯～啊～快点 死我免费视频|性欧美在线视频|日韩巨乳性xxx|亚洲色图欧美
01月04日|第二届“东坡遇见秋史”中韩书画名家展在韩国开幕|17c在线|鑴别煈氭懜馃惢|可以看美女被操的网站|国产精品一区二区三区妓女
01月04日|滕哈格留任曼联,他靠什么打动“红魔”高层? |男男自慰合集GayXXX|女学生洗澡AAA毛片|www.久久|日本ww中文字幕在线视频……
01月04日，秦始皇帝陵博物院“秦陵苑囿之K0007陪葬坑”展览开幕，最新国产淫秽视频播放，小12萝脱得连内裤都不剩，日日干日日添日日日日操，成人18禁啪啪免费
01月04日，工信部颁发海洋盐度探测卫星空间无线电业务许可，htt:p//www.99riav50.com，欧洲无码国产精品男人的天堂，我把白丝老师扒开 了一晚，www.773c.cn免费网站入口怎么进得去
01月04日|拉萨市新型公共文化空间公益电影放映活动举行|嘉兴少妇养生精油spa|扣扣传谋视频网站免费入口进入在线观看在线观看|欧美无砖区2020|国产欧美一区二区精
01月04日，公示期后半年无进展，这个小区电梯加装“卡”在哪？，最新欧美性爱，国产AV性交精放，美女拔萝卜秘 网站，在免费jIzzjIzz在线播放
01月04日，全球客商满载而归，广交会折射中国外贸“新”图景，FreePorno馃拫馃憴15，巨茎扶她3D欧美futa，国精产品一二区二区四区，igao在线精品
01月04日，金价跌了，多个品牌重返“6字头”，逍遥阁直接进入，限制片午夜片在线播放，日韩精品在看在线播放，动漫美女
01月04日|今年春运铁路杭州站预计发送旅客1011万人次|男男GaYGAYS 腹肌视频|俄罗斯黄色A片一区二区|中学生乱伦视频在线观看|黄片人人操
01月04日|点燃职工热情，跑出创新“加速度”|青艹视频在线观看|程潇明星人脸替换脸造型视频|国产福利永久发布页|欧美中文一区
01月04日|浙江大部气温腰斩 多地空气质量转好|黄色三级毛|色男人人人色人人操|在线看片你懂的|黑人www
谷爱凌硬刚黑粉，香飘飘讽刺日本排核污水|强化科技型企业金融服务|成人做爰黄 7 0片视频高嗨广告|《姐姐让我戴上避孕套》歌词漫画|人人澡人人天天碰人人澡人人|欧美一级欧美一级
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
两岸院校机构台北合办“龙的传人”书画展
新优势聚动能 山西临汾打造经济高质量发展的地级市新引擎
寰宇漫笔|中欧需要架起更多的“桥”
代表通道丨高松：更多地参与高水平研究是培养创造力的重要途径之一
精确救援 重庆警方利用警用无人机热成像成功救助走失老人
第十九届哈萨克斯坦—中国商品展览会在阿斯塔纳开幕
2024年京北快乐足球节落幕 传递健康运动理念
刘浩：中国国歌在巴黎奥运会奏响一刻最难忘
全国政协十四届二次会议闭幕
“歌迷之城”太原公交实力宠粉：2024接送歌迷60余万人次
黄色视频一、二、三区
K200电影免费观看
古代a片
人人操,人人操,人人操
强奸乱伦无码AV
26uuu欧美精品
满妹视频高清
黄色视频超多的在线网站免费观看
久久七视频
亚洲一级电影免费看
闽公网安备 35010302000113号