猫眼影戏
 |
|
猫眼影戏
阮开江
手机审查
猫眼影戏记者 郑锡元 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：少萝扒开腿秘 让人桶爽
??01月07日,胡塞武装发射导弹击中一艘美国船只 美军已确认,
20xx年我们在自治区党委、政府，那曲地委、行署和县委、县政府的准确向导下，在自治区教育厅和地区教体局的亲热眷注和鼎力大举支持下，我们以科学生长观为统领，以开办人民知足的教育为宗旨，一直牢靠效果，挖掘内部潜力，规范办学行为，提升教育内在，起劲提高教育教学质量，各项事情取得了可喜的效果 。
,少司缘裸体 开腿裸体本子 。??01月07日,【党外人士话复兴】院士卢柯：科研的“游戏”永不结束,
第四，搞好县委换届，是为建设社会主义提供顽强组织包管的需要 。从20xx年县委换届以来，十二届县委牢牢围绕"整体推进扶贫开发，着力建设生态经济强县"的总体思绪，团结向导全县宽大干部和群众，笃志苦干，大胆立异，既聚力生长特色工业，增进农民增收，又推进基础设施建设，改善了农民的生爆发涯条件;既增强了手艺培训，培育作育了一批新型农民，又增强了下层民主政治建设，包管了农民民主权力 。在肯定效果的同时，我们也应该苏醒地看到，作为一个贫困的山区县，我们在""时期既要牢靠和生长扶贫开发效果，又要为建设社会主义新农村打下坚实的基础，难题比先进地区重大得多，使命比先进地区难题堪多，还必需进一步增强和改善党对建设社会主义新农村的向导 。以换届为契机，把县委班子建强，把目的锁定，不但有利于把整体推进扶贫开发和新农村建设连系好，有利于增强对新农村建设妄想制订和实验的指导，也有利于增强下层党组织建设和体制机制立异，更好地把全县各级各部分的主要精神和事情重心统一到新农村建设上来 。
,好舒服 快 受不了了,黄片大全18禁,亚洲精品乱码久久久久久真人 。??时势2：国产精选av
??01月07日,联合国秘书长：152名联合国工作人员在加沙丧生，但救援未停,
??01月07日,新疆兵团基层医务工作者李琳：37年扎根深山守护牧民健康,
接下来，四富家的强者时时来攻，效果全都大北，在这初始地，于搬血境中竟无人是小不点的敌手 。
,av黄片免费在线观看,国产高清国内精品福利99久久,国产乱人视频在线观看播放 。??时势3：国产精品欧美日韩在线观看免费
??01月07日,天津培育壮大创新链 赋能产业升级,
小不点很生气，瞪着大眼，道：“上一次我们石村放过了你们，而你们也立下了血誓，现在却想杀我，你们……”
,久久久久久精品免费免费999,沙奈朵强 乳喷本子视频,芋芋cc. 。??01月07日,首批7项电动工程机械国家标准发布 针对这些问题→,
这种生物虽然没有在骨骼上结出原始宝符，可是肉身极其强盛，一样很可怖，杀伤力强的惊人，通常狩猎，村人们都在起劲阻止与它们相遇 。
,在线观看成年人视频,美女的拉屎隐私秘 网站,被 的流白浆翻白眼 。??时势4：少妇毛片一区二区
??01月07日,“龙的传人”书画艺术交流展台北开幕 ,
各人好，踏着金秋的九月，我们意气风发地走进了新的校园相信每个同砚心中都有了新的目的，为了实现这个目的?我们将起劲拼搏，勤劳进取，然而实现这个目的的历程中，清静必需引起我们足够重视 。我们要时时刻刻注重清静，一举一动想到清静，不可让我们的行为有任何闪失，不可让我们的身体受到任何危险，清静重在自我 ； 。详细要求同砚们做到以下几点：
,日韩特黄不卡在线,18黄色网,超碰97超碰 。??01月07日,以色列总理反对建立巴勒斯坦国 引多方不满,
“两万斤的没有，两千斤的倒是有一柄 。”中年人咚的一声扔过来一柄小磨盘般大的锤子，将地面直接砸出一个深坑 。
,a黄高潮视频,乱伦图五月天,特色A级片 。责编：贾合义
审核：林宏明
责编：葛会波
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
