猫眼影戏
 |
|
猫眼影戏
程青松
手机审查
猫眼影戏记者 林宏鸣 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模块化设计 ，旨在将模子的推理与展望能力解耦 ，并辅以多种模块化增强计划 。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模块化的编码器-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提出了一种模块化的编码器-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 ，并引入了三种模块化增强机制（图三、四和五）。
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模块。
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 ，得益于模块化设计 ，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：成年人视频app
??01月09日,中方：将一如既往支持沙伊相向而行,
古往今来也不知道有几多人来寻找都无功而返 ，但终有一天 ，九天之上降下惊雷 ，劈碎一片山脉 ，让那洞府显露一角。
,欧美一区二区性视频。??01月09日,香港举行特殊马拉松活动关爱智障人士,
可没想到 ，一瞬间 ，火难以控制了 ，“火“玩火自焚了。可是身穿橙色衣服的救星来了 ，他们不惧艰险 ，冒着生命危险 ，把火灭了。
,欧美激情视频一区二区苍井空,我给你扣扣好不好,欧美一级黄片在线播放。。??时势2：叶山小百在线观看免费版中文版
??01月09日,稻香虾肥：吉林科研团队创新稻渔综合种养模式惠农,
他在参法 ，在意会洞天境的种种道果与神秘 ，随时可能会一举突破 ，提升到一个崭新的生命条理。
,玖玖一区一区,av小草在线观看,在线免费看视频黄。??01月09日,亚洲杯：进球大战日本击败越南 两度送点中国香港不敌阿联酋,
??时势3：91夫妻自拍偷拍视频
??01月09日,夏种进入高峰期 各地抗旱保夏种,
月朔的同砚们 ，经由了一个学期的过渡 ，相信你们已顺应了初中生涯。新的学期里 ，在增强基础知识学习的同时 ，应起劲加入种种活动 ，将初中生涯装点得越发壮丽多彩。相信这学期的科技节、艺术节是你们展示自己的大好舞台。
,亚洲免费视频一级,久久午夜,麻豆一区。??01月09日,中国“Z世代”青睐“特种兵式旅游”： 单日骑行两千里,
今年在档案系统周全开展档案效劳质量年活动 ，各级档案部分和全体档案事情者要一直立异效劳机制、拓展效劳领域、提高效劳水平 ，起劲探索建设笼罩人民群众的档案资源系统和利便人民群众的档案使用系统。一是以效劳民生为重点 ，一直富厚档案事情效劳阵势、效劳经济社会生长软情形建设的内容和手段 ，做好档案查阅使用效劳、现行果真文件查阅中心事情。二是认真贯彻执行《中华人民共和国政府信息果真条例》 ，把档案馆建设成为各级党委、政府指定的政府果真信息场合 ，起劲做好政府果真信息提供使用事情。三是围绕科学生长观和构建社会主义协调社会 ，增强和做好农业农村、林权刷新、社会包管、劳动就业、社区等档案事情的指导效劳。四是建设和完善档案寄存、档案判断整理、档案抢救；ぁ⒌蛋改柯肌⒌蛋感畔⒆试粗行闹卫硎虑。五是建设为非公经济建档效劳系统 ，起劲自动为非公经济建档提供指导效劳。六是鼎力大举宣传家庭建档知识 ，起劲做好家庭建档指导 ，普遍推广家庭建档。七是起劲探索档案协作组事情方法 ，抓好机关档案协作组事情 ，接纳富厚多彩的形式 ，按期或未必期开展档案营业学习与交流活动 ，掀起档案馆室和档案事情者之间比、学、赶、帮的热潮。
,http://8eau.com,片,扒开千仞雪 狂揉 难受游戏。??时势4：A级毛片免费播放无码
??01月09日,【统战地标·陕西】如何破解“人亡政息”的历史周期率？在这个窑洞内，他们找到了答案,
“族老 ，我们不是居心的 ，望请海涵。”一群人有点发怵 ，放不开手脚了。
,亚洲黄色aaaaaaaaa,黄宣绮比基尼照片,九九精品欧美黄色视频。??01月09日,单课时50元 北京年轻人爱上夜校,
【【你好，小镇】黑龙江星火：稻香聊源】
【初春，来内蒙古黄河湿地看“飞鸟集”】
责编：康鹏裴
审核：孝渊
责编：贾振江
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
