猫眼影戏
 |
|
猫眼影戏
赵喜林
手机审查
猫眼影戏记者 熊宝 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：人人干人人操人人操
??01月07日,中国单体转体最大吨位双索面预应力混凝土斜拉桥完成“转身”,
20年，关于我们来说是机缘与挑战并存、动力与压力并存，因此，我们要坚持可一连生长的企业谋划战略，提高企业谋划危害的提防能力，逐步拓展市场，加速产品研发、手艺立异和治理立异的程序，增强基础治理事情，优化再造生产流程，加大投资力度，实现经济总量与谋划规模平稳较快生长。
,坐腹肌上尿,尿出来了。??01月07日,华北黄淮等地将有强降雨 江淮及以南大部地区高温持续,
仅数日时光罢了，清风脚上那残破的断筋与骨骼就接续上了，养上一段时日就没有问题了，必定能好。
,人人操久久艹,男男gay+骚鸡屁眼gay无套禁18,美女网站视频永久观看。??时势2：超碰 网址
??01月07日,看图学习·改革为人民丨让人民享有更加充实、更为丰富、更高质量的精神文化生活,
“真的吗？”小清风眨眼。
,欧美另类不色,欧美午夜三级片,我要看一级黄色片用流量播放的高清国语特黄。??01月07日,北京消协：海淀区5家餐饮门店因食品安全问题被查处,
(四)夯实基础，效劳生长。各村(社区)干部要认真研究新形势下群众事情的新情形和新特点，健全组织系统，完善事情制度，坚持把效劳生长作为开展活动的强盛动力，以实验“创业带富工程”、“整体经济强村”建设和开展“同步小康建设”活动为契机，要吃透上级精神，在干字上下功夫，在新字上做文章，在创字上找出路;要突破等、靠、要的头脑，变被动为自动，扬长避短、敢于走新路、出新招、办新事，不瞻前顾后、犹豫不决;要驻足村情，瞄准市场需求，扬长避短，准确定位，突出特色，找准生长经济的突破口和切入点，选准适合本村生长的经济路子，科学确定本村的主导工业和生长偏向。充分验展主力军和“领头雁”作用，开展农村创业带动人与一样平常群众“一对一”、“一对多”的结对帮扶，探索农民增收致富的路子。完善农村土地承包政策，起劲探索土地流转等新型农村土地谋划模式，建设农民专业相助社，资助群众增添收入，增进农村经济生长。
,国产精品视频男人的天堂,av黄片免费在线观看,黄色毛片大全。??时势3：性欧美操b
??01月07日,中国日报漫画：做美国的敌人是危险的，做美国的盟友是致命的,
每个班级都是学校的缩影，每个学生都代表学校的形象，每寸校园都代表学校面目，同砚们要做到语言文明，行为文明，在校园内不乱丢杂物;不欺压小同砚;在校外遵守交通规则;不进网吧、游戏厅;在家尊重怙恃。在社会，做一个爱国爱民、遵纪遵法、忠实守信、文明礼貌的优异小公民。
,美女裸体黄18以下禁止观看免费,久久强奸视频,mosfos2025。??01月07日,超九成受访大学生感到恋爱课上收获颇丰,
从点滴做起吧!把清静放在第一，重视起来，由于它是生命最最少的包管。
,永久免费的男女啪啪啪视频,国产一级AAA级片国内外一级AAA片,美女裸体 比基尼泳装。??时势4：性交A级久久
??01月07日,中新教育丨天津出台全国首部职业教育产教融合促进条例,
老妪的瞳孔是银色的，符文转动，如日月沉浮，整小我私家气息很强盛，她点了颔首，一些优异诸侯子弟，都有恐怖的能手陪同，去举行试炼。不过，像这般在恐怖的大荒中行走，让一个孩子自己独战凶禽猛兽，照旧很少见的。
,一区二区国产欧美在线视频,黄色倩大全,26uuu欧美日本变态日韩。??01月07日,前三季度，我国水运固定资产投资超1500亿元 高铁时代，我们为何还要修运河？,
谢谢之余，作为家长我们能做的就是多挤出一些时间给孩子，相信凯杰小学幼儿园的教育理念，起劲和学校、先生相同，支持、配合学校和先生配合解决好孩子生长历程中遇到的问题，让让我们的孩子在幼儿园里能康健、快乐地生长。也希望列位家长和我一起体贴学校的生长，增进对先生的明确，在以后的日子里施展你的智慧才智为学校提出更多更好的合理化建议，也祝愿凯杰小学越办越好，成为衡阳人心中理想的小学。
,欧美国产一区二区在线观看,操穿极光丝🍌🍑😍🍌袜老师,福利视频影院。【（乡村行·看振兴）一“泼”十年，浙南山区清水何以“泼”出人气与财富？】
责编：上海-西宁西
审核：范丽芳
责编：吴晟罡
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
