猫眼影戏
 |
|
猫眼影戏
穆罕默德·本·阿卜杜拉·鲁
手机审查
猫眼影戏记者 李凤荷 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：嫩BB特写AV
??01月07日,音乐童话偶剧《小鲤鱼大冒险·灵渠奇遇》走进桂林校园,
在不久前的一战中 ，青鳞鹰被那条紫金蛇咬了一口 ，只管它很坚决的切掉了一大块血肉 ，但依旧没有能彻底阻住毒素伸张 。
,www.欧洲在线看 。??01月07日,中国联通原增值业务部总经理王颖沛接受审查调查 ,
我们也必需苏醒地看到 ，去年虽然取得了不小的效果 ，但仍存有一些禁止忽视的问题和缺乏 ，主要体现在： 一是头脑解放不敷 。 一些干部头脑守旧 ，看法陈腐 ，遇到急、难、险、重问题一筹莫展 。有的干部固步自封、畏首畏尾 ，怕担危害、怕担责任 ，缺乏敢为人先、敢于碰硬、敢于突破的气焰和勇气 。 二是事情作风不实 。 少数干部上班仍然保存“走读”征象 ，一部分包村干部蹲村少少 ，开展事情知足于当传话筒 ，用“摇控”指挥 ，恒久见不到人影 ，以至于泛起了上会见题 ，事不关己 ，高高挂起 ，左推右躲 ，不闻不问 。 三是效劳意识较差 。 为民效劳的意识和看法还没有完全树立 ，“门难进、脸难看、话难听、事难办”的征象在有些部分仍然差别水平地保存 。 四是责恣意识不强 。 在其位不谋其政 ，遇到问题不解决 ，遇到矛盾绕着走 ，该抓的不抓 ，该管的不管 ，以至贻误事情 ，甚至酿成大问题 。尤其是个体村干部不懂法不学法不知法 ，不认真研究目的政策 ，一有事情就往镇里推 ，不动头脑 ，不想步伐 ，怕事、躲事 ，当老好人等等 。
,亚洲国产图片大全视频,老婆偷人性爱视频,能看的av网站 。??时势2：男同做
??01月07日,推动提升加工贸易发展水平,
最为主要的是 ，一种蛮荒兽王的气息铺天盖地 ，榨取的这些巨兽颤抖 ，簌簌颤抖 ，再也不敢攻击与前进 。
,一级毛片免费看网站,免费18,一级A一级a爱片免一级 。??01月07日,重庆轨道交通15号线二期工程全面进入铺轨阶段,
4、全院上下 ，通力相助 。
,日本❌❌❌❌❌色情14,黄色的片。在那里搞。,亚洲最新的黄色网站 。??时势3：全免费午夜一级毛片真人
??01月07日,丹麦名将安赛龙羽毛球男单卫冕,
1、我们本届结业班事情的指导是：面向全体学生 ，保优生 ，抓中层 ，促学困生;强化通例治理 ，正学风、抓课堂、求效率 。
,在线观看扣喷水,品爱阁下载,黄网站播放在线 。??01月07日,【东西问】黄桂秋：广西歌圩文化为何能唱响海内外？,
“蛟苍兄弟弟 ，这是要做什么 ，之前不是说几个孩子闹性情吗 ，较量一番就好了 ，大人没有须要参合 。”来自云天宫的老人启齿 。
,久久国产精品一国产精品,最近更新202中文字幕视频,色哟哟高清免费观看视频 。??时势4：偷拍导航
??01月07日,国产大飞机C919开始执飞“京陕快线”,
今年11月9日是我国“消防清静教育日” ，火是人类的朋侪 ，我们的生涯方方面面都离不开它 。然而 ，火也喜怒无常 ，有时间就成了人类的仇人 。今年 ，天气缘故原由 ，俄罗斯爆发森林大火 ，造成数十人殒命 ，数千栋住民房销毁 ，经济损失无数 。巴西、玻利维亚等地的大火也造成了重大损失 。
,日本人黄色视频,美女和老板在努力生孩子视频,欧美做爱4777cos 。??01月07日,新华社记者说｜今年两会，习近平尤为关切这件“新”事,
交通信用卡是一种利便快捷的支付工具 ，但若是由于种种缘故原由导致逾期未能准时还款 ，就碰面临一系列的问题 。在这种情形下 ，与银行进行协商解决是一种明智的选择 。本文将探讨交通信用卡逾期后怎样与银行协商解决 ，以及逾期协商还款方法和效果 。 一、交通信用卡逾期了怎么跟银行协商解决 1. 实时与银行**：一旦发明自...
【“唐山烧烤店打人案”保护伞、唐山市公安局路北分局原局长马爱军获刑12年】
责编：张金凤
审核：曹留德
责编：葛怡然
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
