猫眼影戏
 |
|
猫眼影戏
欧本海默
手机审查
猫眼影戏记者 方明和 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1：一级大黄片电影
??01月04日,新华社权威速览 | 习近平总书记在推动金融高质量发展专题研讨班上重要讲话要点,
虽然我来到我们到校只有一年，可是我以为在全校学生中，我与你们接触最多，情绪最深、感受也最多，我以为，我们这届的学生是最可爱、最懂事的孩子，你们文明有礼，友善友好，同砚间从未爆发过任何较大的纠纷摩擦，你们的同砚友谊是最贞洁、最真挚 ；你们敢于表达、敢于体现，七彩舞台自编自演亮风范 ；体育赛场你追我赶展活力，记者采风遍晋江留足迹，你们是最自信最大方的勤学生 ；个个能背学生规，人人诵读古诗文，古板经典文化已经渗透进你们的血液，你们是勤劳勤学，博览群书，知书达理的新一代，借此时机向你们体现祝贺。
,人成欧美黑香蕉在线播放。??01月04日,村民借举报村干部获流量卖大量涉无证生产酒类 广东乐从镇通报,
“金狼部落，你们不可贸然出动，再退后一里地，静等我的下令。”威猛的老人站在这里说完这句话后化成一道金色光束，没入山林中。
,456影院,国产精品综合,国产精品黄色在线播放。??时势2：三级日韩
??01月04日,海口产业园区发展势头强劲 产业集群效应显现,
完成了“211工程”三期建设项目验收以及“提升综合实力”建设妄想体例事情。“提升综合实力”建设是中西部高校提升综合能力的国家级妄想，包括_大学在内有14所高校进入该妄想。这项事情是学校未来几年，与“211工程”并列甚至比“211工程”更为重大的建设妄想。
,欧美一级a作爰视频,夜色综合,妈妈的屁股好大好想操视频。??01月04日,警惕！98万部手机被远程控制，每月莫名扣费……,
(十四)剖析典范案例，实时开展危害提醒。深入剖析重大案件和典范案例，剖析案发缘故原由，研究作案手段，查找薄弱环节，明确整改要求。实时举行危害提醒，闻一知十，避免同质同类案件多次爆发 ；惚嗟浞栋咐，开展以案说法和警示教育。
,体育生爽擼又大又粗的雞巴的视频,美国色色色色色色,18进禁网站免费入口。??时势3：永久免费看黄色电影网站
??01月04日,今年前10个月中国铁路发送旅客超37亿人次 创历史同期新高,
“咚”的一声大响，小不点绝一直留，右脚横扫，将地上的一块大磨盘踢起，撞向雷明远。
,黄色网站av在线,黄色在线观看视频网站,91精品国产足浴勾搭女居士。??01月04日,台风“潭美”西行华南沿海风雨持续 东北大部降温明显 ,
柏拉图曾说：“都会，不但是富人的都会，也是穷人的都会。”此言不虚，有差别便有强弱，社会就保存弱势群体，他们也许经济拮据，他们也许身有残疾……但他们同各人一样，都具有高尚而自由的灵魂，他们享有一律的权力，我们应该一律地看待他们。也许是一句眷注的话语，也许是一个明确的眼神，虽然微缺乏道，却能让他们感受到社会的关爱与温暖。这个社会有点冷漠，大都人遗忘了一律地看待他人就是尊重自己的原则，忽略甚至歧视弱势群体。而馆长的零星之火却温暖了一片荒原。
,欧美一级AA大片免费看视频人,j j z z z日本,99 riavcom。??时势4：婷婷精品
??01月04日,报告：美国超6000万人使用大麻 1/3青少年需心理治疗,
笃志：静下心来认真思索。
,黄片免费看一分钟,青草草在线视频观看,欧美一级在线精品。??01月04日,零碳科技赋能乡村振兴 “下党零碳示范基地”在福建寿宁落成,
在三楼的指挥中心，有一个大大的屏幕，上面有三十多个小屏幕。姨妈告诉我们，全市有107个路口装置有电子眼，这些小屏幕可以通过电子眼视察到路口的交通实时情形。通过电子眼，我们看到无邪车与行人、自行车应该各行其道。可是，在每个路口都有一些无邪车闯红灯、抢行等，尚有许多自行车基础不看信号灯走，或者爽性走快车道，与汽车抢道，很是危险!姨妈告诉我们，电子眼还可以监视到一些可疑职员的行为，资助侦探员叔叔快速抓到罪犯份子。
,污污污网站在线,魅魔误入r18g生存游戏,久久这里都有精品。责编：拉·哈
审核：保罗·克鲁格曼
责编：宋臻
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
