猫眼影戏
 |
|
猫眼影戏
胡树铭
手机审查
猫眼影戏记者 许振辉 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：日韩AV人人操
??01月05日,“读懂中国式现代化”丛书（中英文版）发布仪式在广州举行,
这得是何等恐怖的生灵？所有人都重新凉到脚，有些人想到自己的部族还曾要去探山宝呢，这真的是活腻了，幸好最终退却了！
,亚洲第二页。??01月05日,CBA半决赛第二回合：辽宁本钢不敌广东华南虎,
“阿叔，让我去吧，我跟青鳞鹰大婶去看个仔细。”
,欧美AAAAXXXXⅩ精品,同男code is视频网站,亚洲淫乱网站。??时势2：舔阴道视频网站
??01月05日,宁夏银川：萌娃乐享书香假期,
第一、树立一个信心：我能我行，希望同砚们成为“学习的主人”。
,啊〜好痛〜嗯〜轻一点韩国,黄色视频另类,19+amsr。??01月05日,让世界共享人工智能发展红利(和音),
近年来，地委认真贯彻党的xx大精神和自治某地党委六届四次、六次全委(扩大)聚会精神，准确处置惩罚刷新、生长和稳固的关系，连系地某地现实，着眼久远，驻足目今，确定了周全建设小康社会，推进地某地超通例跨跃式生长的斗争目的。刚刚召开的地委委员(扩大)聚会凭证xx届三中全会精神和自治某地党委的安排要求，进一步提升和完善了以后刷新与生长的阶段性思绪、目的和步伐，明确了今年经济事情的总体要求、主要使命和要害性步伐。认真贯彻和落实好这些重大思绪和行动是目今以致以后一个时期地某地各级党委压倒一切的中心使命，需要各级党委团结向导全地某地宽大干部群众做出艰辛不懈的起劲。
,被各种玩具玩到高潮开裆,国产一级婬片A片AAA毛片男男,日批视频免费看40分钟。??时势3：在线黄色网站免费观看
??01月05日,中国南方现大范围降雪 局地积雪深度超20厘米,
第二，要用高尚的事业凝聚人心。高尚的事业就像一个极富熏染力的“磁场”，能够爆发重大的吸引力，让人激动，让人投入，让人拼命想做事，敢于干大事。近年来，我镇普遍深入开展解放头脑大讨论活动，提出了加速千人桥生长的新思绪、新战略，宽大干部群众全神贯注做事业，团结一心促生长，全镇人民的起劲性创立性空前高涨。我们要继续以高度的责任感和紧迫感，把实现千人桥在舒城率先崛起纳入到周全建设小康社会的总体安排，以此凝聚民心，集中民智，团结和向导全 镇人民配合创立我们的幸福生涯和优美未来。这是一个高尚的事业，只有这样的事业，才华在全镇营造优异的做事创业气氛。任何事业都是各人同心协力干出来的，不是坐在那里等出来的，更不是“吹”出来的。千人桥的建设事业任重道远，需要我们每一个干部群众一滴汗一滴汗支付，一项事情一项事情完成，一步一个脚印地前进。做事创业，一要想干、肯干，二要醒目、会干。要弘扬正气，坚持生气，培育锐气，通过强有力的头脑政治事情，准确的舆论导向，完善的动力机制，切实的步伐包管，从选拔任用到利益分派，坚决杜绝“干的不如看的，看的不如作怪的”这样一种不正常征象，让笃志苦干，集中精神事情的同志能不受滋扰，无后顾之忧;让那些不但自己不干，别人干了还要毫无凭听说三道四，散布闲言碎语的人没有市场;让兢兢业业、踏扎实实、辛勤事情和劳动的同志受到表扬和勉励;让那些事情拈轻怕重，疲疲沓沓，甚至“当了僧人不撞钟”的人受到品评和谴责;让坚持在经济事情第一线，有才华、有创见的同志受到尊重和重用;让品质卑劣、搞歪门邪道的人受到抵制和处分。这样，才华真正凝聚人心，把做事创业的气氛搞得浓浓的。俗话说“无事生非”，没有事干才会玩扑克。当向导的应该想方想法一方面要创立一个使这些人做事的情形，另一方面使下面的人有事干，没有大事有小事，只要各人肯做事，我看哪个村、哪个部分都有事。好比公共情形卫生问题，这也是个事，可谁落到了实处?古话说，“自扫门前雪”，我们现在有些部分，有些向导是门前雪也不扫啊!这是没有事业心，没有用事业来凝聚人心。
,无码aiai,国产92AV视频,欧洲一级黄色网站。??01月05日,第十八届闽南语双歌赛在厦门启动,
“我之前以为国家清静不关我们的事，应该是国家向导人才会去关注这些问题，这堂课之后，我才发明，原来我一小我私家做的某些事情也是可以影响到整个国家清静的”，华中师范大学第一隶属中学学生罗雅欣说。
,学生扒开 伸进,久久国产精品久久w,黄片小视频在线看。??时势4：日韩欧美在线bv
??01月05日,云南省人民检察院原副检察长韩跃先接受审查调查 ,
人影一闪，在其背后泛起，祭灵眼眸冰寒，并不转身，头上的宝剪径直飞了已往，喀嚓一声，将一小我私家的躯体绞断，鲜血喷洒，惨叫划破山林。
,99国产电影,无码一区二区三区冒白浆,王多鱼免费打扑克视频。??01月05日,贷款金额超1.54亿元 邮储银行支持以旧换新 “焕”出消费新活力,
七年级新同砚步入中学，就是人生中的一个新起点，中学阶段是人生历程中十分要害的主要阶段，希望同砚们珍惜这最为珍贵的年华，在先生的指导下，严酷遵守学校规章制度，学会学习，学会做人，明确目的，珍惜时间，把在小学阶段养成的好作风、好纪律、好品质带到你们的学习和生涯中，为以后的生长涤讪扎实的基础。
,奴役支配性狂虐XXXXX小说,亚州一级性交,老人福利影院你懂的。【第二十一届中国内地优秀电影展澳门开幕】
责编：王慧
审核：郝光亮
责编：李邦藩
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
