猫眼影戏
 |
|
猫眼影戏
荣嘉园
手机审查
猫眼影戏记者 雷克萨斯 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：粗黑插欧美日韩
??01月07日,广州罗冲围片区旧改提速 今年启动安置房建设,
石林虎、石飞蛟等人升起一股无力感，刚一见到，他们就知晓，绝对怎样不了这头数十米长的祭灵，全村人齐上也是枉死。
,子乱视频。??01月07日,【我是Z世代】专科生热血追逐篮球梦 成“双一流”大学研究生,
第一，在西席步队中鼎力大举弘扬为人师表、教书育人、敬业爱生的优异民俗。第二，抓好西席的专业生长。连系学校现实，完善、修订西席作育妄想、学习制度，开展种种活动，完善落实监视、检查、评选、审核等机制，构建西席作育培训系统，全力提高西席头脑政治素质和营业能力。第三、坚持以人为本的治理理念，周全体贴教职员工的事情、生涯、身心康健和生长，起劲优化事情情形，改善事情条件，使学校成为师生的精神家园和事业乐园。
,女人被C软件,欧洲特级特黄AAAAA毛片,亚洲视频再线。??时势2：九色综合国产一区二区三区
??01月07日,【风起黄埔】黄埔二十二期彭永：黄埔军校属于中华民族,
近年来，随着互联网金融的快速生长，京东金条作为一种新型的投资理工业品，备受投资者的青睐。然而，就在不久前，一则关于京东金条逾期3万的新闻引起了普遍关注。那么，京东金条逾期3万会怎么样呢？ 一、京东金条逾期3万会怎么样 当投资者逾期未还款时，首先会收到催收通知。京东金融会通过电话、短信等方法提醒投...
??01月07日,一线直击韶关江湾镇防汛救援：八方驰援，抢通信号,
这是一种凌厉无匹的至强宝术，曦光化成一口又一口剔透的红色仙剑，锋锐无比，带着滔天的火光，斩向巨禽。
,肏逼网站,午夜理伦三级理论三级6080,男男黄。??时势3：域名18岁黄色网址一
??01月07日,中国向联合国交存黄岩岛领海基线声明和海图,
国电开都河公司是天下500强企业中国国电集团公司下属的，受国电新疆电力有限公司控股和治理的下层发电公司，经由几年的艰辛斗争，公司已经生长成为一个拥有一个投产电站--察汗乌苏水电站，一个在建电站--柳树沟水电站和两个筹建电站--滚哈布齐勒水电站和霍尔古吐水电站的一类企业。 展望未来，激情满怀。站在新的起点上，我们将牢牢围绕中国国电集团公司集团公司“以鼎力大举生长新能源引领转型、建设一流综合性电力集团”这一战略目的，为把国电新疆公司建设成为海内一流水平的综合性省级能源公司，为开都河公司的加速生长，而起劲推进开都河中游水能资源开发。 由于有您的关注，我们的事业变得越发主要;由于有您的支持，我们的企业得以一直壮大。生长之路，任重道远，我们愿与各界朋侪携手共进，共铸新的里程!
,一级a片黄片夫妻免费看,按摩师揉我 啊 嗯高潮,八酱一挑三的视频片段。??01月07日,中国年涌动新商机 海内外电商“龙”元素火爆,
??时势4：成人扒开 伸进 免费视频www
??01月07日,（“厦门实践”调研行）滩涂里崛起厦门五缘湾 风景宜人生机盎然,
小不点神色凝重，石毅的符文造诣极恐怖，深刻意外，很难权衡他现在究竟有何等的强盛与恐怖！
,日批免费看,色妞一区二区在线播放,c了英语课代表嗷嗷叫了一节课。??01月07日,中国航发集中推介10型通航动力产品 签署1500余台发动机意向合同,
整整一天一夜，小不点才停下来，站起身，迎着早霞，吞吐曦光，以为终于彻底牢靠了，三座火山口内敛，徐徐消逝，他大步向着石村走去。
,www无码国产,坤坤寒进坎坎里免费视频观看,久久国产精品电影电影。责编：来福枪
审核：张改琴
责编：陈治家
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
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
