猫眼影戏
 |
|
猫眼影戏
刘宇光
手机审查
猫眼影戏记者 陈小奇 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：免费一级特黄久久大片
??01月06日,“中国第一座公共博物馆”南通博物苑为何取名“苑”？,
“唔 ，对了 ，谁人破烂的庄子中有什么新闻吗？”中年人回过神来后 ，问旁边的一名管事 。
,在线欧美精品一区二区三区 。??01月06日,《摆脱贫困》葡萄牙文版首发式暨中巴治国理政研讨会在巴西举行,
加入DVD交互式教学角逐获省一等奖;x先生加入生物实验立异角逐获市一等奖;加入区数学教学角逐获特等奖;加入区中学语文教学角逐获一等奖 。说课获市一等奖 。整年西席撰写的论文有9篇获省级奖励 ，32篇在市级论文评选中获奖 ，20篇获区级奖励 ，教案5篇区奖 。
,2048发布页收藏页,草久伊人,美女裸体秘 无遮挡隐私 。??时势2：国产在线永久免费视频aa
??01月06日,森林“粮库”里都有啥？(一号文件连连看⑤), 连日来 ，受高温少雨天气影响 ，黄河流域甘肃、内蒙古、山西、陕西、河南、山东等 。ㄇ┓浩鸩畋鹚降暮登 。针对流域相关 。ㄇ┖登 ，黄河防总和水利部黄河水利委员会（简称黄委）第一时间划分启动抗旱四级响应和干旱防御Ⅳ级应急响应；自6月14日17时起 ，针对河南省启动干旱防御Ⅲ级应急响应；要求各相关单位落实落细各项抗旱保供水步伐 ，做好旱情一连或进一步生长的应瞄准备 。,女子撒尿全过程秘 正面,欧美黑人性生活,国产女性黄色在线播放完整 。
??01月06日,数读中国 | “压舱石”作用凸显 四组数据看工业经济向上向好,
??时势3：小辣椒福利视频导航
??01月06日,南非未来五年将创造500万个就业岗位 以缓解高失业率问题,
咱们在出门旅游的时间都会住旅馆 ，以是说旅馆的清静至关主要 ，这里我说的清静不光是住宿时的人身清静 ，尚有就是隐私的清静 。随着现在的网络视频手艺的高速生长 ，天眼已经遍布各个角度 ，种种的摄像头都被用于清静防护 ，也确实给我们的生涯带来了许多的清静包管 ，可是原本用于增添清静感的摄像头 ，却被一些不法分子给利用了 ，...
??01月06日,国际识局：“太少太晚”！美国援助只为掩盖加沙政策失败？,
1、机修厂维修的装备种类繁杂 ，相同用途的装备可能型号差别 ，划分具有差别的优点和弱点 ，我们要取长补短 ，凭证现场现真相形 ，制作出适合的装备;凭证机修厂现有的装备 ，新上一些项目 ，能自己加工制作的坚决不采购 ，能自己维修的坚决不过修 。
,日韩亚洲欧美一区二区不卡,色99色,欧美性爱区网站 。??时势4：黄毛片A级毛片BBBB一级视频
??01月06日,上海开办餐饮店“一件事”在“一网通办”正式上线,
在新的一年里 ，我们将面临更多的难题和挑战 ，也有着优异的机缘 。我们要苏醒地意识到公司在生长历程中仍有许多需要进一步整改完善的地方 ，我们的制度建设还不敷深入 ，人力资源还不敷完善 ，各部分之间的团结相助力度还不敷 ，这些都需要我们配合起劲去改变 ，上林项目基地最先筹建、智慧种鸡场投入使用、实验室也最先逐步步入正轨 ，这些都是我们公司的生长重点、焦点竞争力 ，需要全体员工统一头脑、团结协作 ，以市场为导向 ，强力推进项目运作 ，提升公司形象 ，争取获得龙头企业的称呼 。
,一极黄色大片,中文字幕毛片,年轻人爱看的毛片 。??01月06日,辽宁一季度建设项目达8701个 央地合作成果再上新高,
“坏了 ，这头大鸟发疯了 ，我们该不会被它一爪子所有按碎在这里吧？”皮猴等皆惊 ，孩子们有些后悔了 ，难怪大人们一直不敢轻举妄动 ，这头凶禽太恐怖了 。
,91禁官方版-91禁最新版V7.48.54.255,xviedioes亚洲入囗,一级爰看a片 。责编：宋枕涛
审核：吴力平
责编：陈巧明
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
