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？榛杓疲荚诮Ｗ拥耐评碛胝雇芰怦睿⒏ㄒ远嘀帜？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？榛杓疲琕Gent 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！
《久久国产精品99国产精品6》，《Q8X2R7L1T4J5M9B6W3》视频一区亚洲视频
“一起”
李宗瑞全集456
……
01月06日
“波多禁漫”市监局回应B太曝光加油站缺斤少两
↓↓↓
01月06日，“难”字获选台湾2024年房市代表字，欧美一级A片视频免费放色欲，欧美AAAAA级黃片，少妇性l交大片，日韩精品无码免费专区网站_亚洲
01月06日，完善高水平对外开放体制机制——访商务部党组书记、部长王文涛，日韩精品自拍，.com在线黄片www.，校花乖乖撅起粉臀，扒女教师的内衣❌❌作文
01月06日，专访秘鲁驻北京商务处参赞：钱凯港开港事关秘鲁未来发展，一级做a爱片久久毛，Yeyebirdie生命工坊官网入口，日本网站大全www色色色，久久国产精品久久w
01月06日|纪念中日韩合作二十五周年研讨会在长春召开|国产一区二区免费精品|欧美一级婬片A片免费软件|性爱网站亚洲|久久思思婷婷
01月06日|生三孩奖13000元！江西多地出台生育“红包”|精品国产福利在线观看网站|欧美日韩亚洲GIF|白白发布视频免费观看|又黄又刺激的免费视频,网站
01月06日|海关总署发文保障亚冬会人员、物资入境通关|欧美日韩综合精品视频在线|观看免费毛片|宅福利蜜桃社无圣光|我要看狼友视频……
01月06日，为强国建设注入青春动能，激情在线色视频一区，一区二区三区视频在线观看，丝袜高跟鞋钛金毛片1区2区，国产又黄又爽
01月06日，民营经济大市聚焦“首季效应”：忙生产 拓市场，中文亚洲视频在线，故意露大乳h勾引，com.flt6.ddj，午夜少妇黄色视频
01月06日|海南国际商业航天发射中心谋划推出贯穿火箭发射全流程的科技体验游|95 视频免费|欧美肥老太操逼视频|国产精品99久久精品|A片三级网站
01月06日，京剧表演艺术家童祥苓去世 第六代“杨子荣”追忆先生，啊啊啊欧美日韩啊啊啊，大乳巨大乳J奶HD，色94色亚洲，一级性交A片
01月06日，公益医疗守护先心患儿 共铸中国心传递大爱，豆花官网，程女士裸体被 吸乳，国产网站美女，xl司令第一季免费樱花
01月06日，天津加快实施灾后恢复重建河道治理工程，国产无码视频在线播放，国产AV剧情对白刺激，男女裸体性婬乱视频网站，操欧洲女
01月06日|中国最新万亿级城市的“新”发展|斗罗大陆黄片|久久riav25.co|天堂久久秘 精品忘忧草|久久惹99精品
01月06日|英国首相斯塔默召开“眼镜蛇”紧急会议应对骚乱|成人xxnx18学生高清入口|国产精品免费大全|上海夜会电影高清完整版在线播放|精品九久
01月06日|美式干涉：当“黑手”戴上“白手套”|正在播放国产极品白嫩|www.vicinoko.com|超碰人人插|祥仔一合区和八合区是二合区
普京近期将访问朝鲜，《热辣滚烫》金鸡奖0提名|【每日一习话】下更大气力把队伍建强、让干部过硬|手机在线观看毛片|人人肏人人操人人艹|欧洲黄色毛片频繁|校花被c哭着扒开腿sm
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
1月至9月，全国检察机关起诉组织、领导传销活动罪4627人
广西龙胜龙脊古壮寨开耕节爬梯田比赛趣味十足
“老”话剧靠什么留住“新”青年
美军称使用“战斧”导弹袭击胡塞武装雷达设施
从苏轼到苏东坡 音乐剧《大江东去》一展千古文豪黄州“蝶变”
站上7.1万美元 谁在助推比特币的“疯狂”
多地加大房地产政策支持力度 落实落细“两个增加”
广东徐闻在“菠萝的海”举办首届马拉松赛
税务部门创新举措助力京津冀协同发展
粤北韶关北江出现洪峰水位57.31米
久久这里只有精品98
久久精品综合久久综合
钢手轮xc自来也
国产午夜精品a片
麻豆国产视频
免费的黄色网站地址
高清无码操逼网站
美国无码免费视频二区
黑人狂刘玥XXⅩXX
日本a∨欧美高清免费入口
闽公网安备 35010302000113号