猫眼影戏
 |
|
猫眼影戏
陈凯
手机审查
猫眼影戏记者 陈怀亮 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：欧美精品狂躁在线视频
??01月08日,民建书画家浙江挥毫泼墨 “送福”进万家,
毛球抗议，只有它不嫌腻，最近这半个月来，它天天都要吃下泰半头的龙角象，食量大的差点吓死人。显着只有拳头大，可是胃口却像是个无底洞，能将烤熟的一座肉山生生啃光。
,一区。??01月08日,漫话“龙抬头”：为何此时要理发？,
“我们这是到了那里 ？距离墟落大都有六七百里了吧。咦，山那里有炊烟。”二猛指向前方。
,猛创,黄视频欧插,china腹肌帅哥gaygay无套入口。??时势2：周于希王雨纯互慰
??01月08日,爱乐汇2025新年演出季将启,
“稍等，我们要确认下这究竟是不是灵族。”一个全身都被玄色大氅所遮住的神秘人从辇车那里走来，他话语嘶哑。
,大陆精品国产AV成拍色拍,日韩国产毛片,小 伸进 因外。??01月08日,“三伏热浪走 初秋气象新” 我国最早秋粮开始收获,
档案馆规范化治理是档案治理的基础性事情，是实现档案清静治理和开发使用的条件。一是继续做好重点工程、重点项目、重大事务、市属国有休业企业以及到期进馆档案的吸收事情。二是开展民生档案资源建设，将涉及民生部分档案列入重点监视和吸收进馆规模。三是做好到期档案的判断、开放和使用事情。四是加大档案征集事情力度，要注重网络种种专门档案和差别载体的档案，特殊是要增强对重大活动档案的网络，将反应外地区特色的档案征集进馆，一直改善馆藏结构和富厚馆藏内容。
,99国产一级婬片A片一,男生有 弄女生 里,9色视频。??时势3：国产丝袜无码中文
??01月08日,美国航天局：滞留太空的美国宇航员将于2025年返回地球,
有的同砚喜欢乱扔垃圾,可是你们知道吗?垃圾最大的危害就是它们能攻克我们的土地，并且还会污染周围更多的土地。塑料垃圾几百年都不会剖析，被动物误食，还会导致动物殒命。电子垃圾危害更大，一节一号电池烂在地里，能使1平方米的土壤永世失去使用价值;一粒纽扣电池可使600吨水受到污染，相当于一小我私家一生的饮水量。人们喝了这样的水，肾脏会受到损害;有的还会损害人的脑神经，严重的可使人发疯殒命;尚有的能使人骨质松软，骨骼变形，严重的甚至瘫痪。
,胡桃高潮喷水,美国一级黄色影片,黄色av毛片在线观看。??01月08日,吉尔吉斯斯坦一架米-8直升机坠机 已致1死10伤,
“是什么人，突破了什么极境 ？
,欧美黄色精品偷拍,销冠秦嘉倪视频在线观看,操喷了视频。??时势4：肖宫触摸
??01月08日,【冰雪春天】AI眼中的中国｜冬季锻炼太冷？来看国宝熊猫运动秀,
一是要珍惜时机，自觉学习。市里增强统筹，加大人力、物力和财力投入，在同志们的学、食、住等各方面都作了全心安排，创立了优异的培训情形 ？梢运凳墙改昱嘌堤跫詈谩才抛钗侠淼囊淮，对你们是有针对性和吸引力的。希望各人规则态度，集中精神。学习时代要认真听讲，记勤学习条记，多写，不搞应付，力争学的更多一点，更好一点，高效完成学习使命。要使用这个优异的时机，从繁杂的事务中解脱出来，坐下来读点书、听点课、交流点履历;静下来思索一些问题，理清以后的生长思绪。要把培训看成学习、交流、结交的好时机，生涯上相互体贴，学习上相互资助，事情上相互交流，取长补短，配合提高。通过这次培训，真正使自己熟悉上有新提高、理论上要有新上进、事情上有新启发。
,美a片,18进禁网站,久久国产美12AV。??01月08日,浙江温州警方通报一汽车碰撞4辆电动车：造成3人受伤,
今年的结业仪式又准期而至。
,91无码在线视频播放,美女三级在线观看不卡,欧美日韩中国一级黄片在线视频。责编：夏涛
审核：彭代国
责编：黄华映
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
