首页
下载APP
首页
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！
《精品免费无码A片在线看》 ，《Q8X2R7L1T4J5M9B6W3》人人爽夜夜高潮夜夜高潮
“抖阴2023”
欧美激情国产乱码伦
……
01月03日
“日韩性爱综合网”TheShy和Rookie加入iG
↓↓↓
01月03日 ，浙江征集国际传播经典案例：如何讲好“中国故事”？ ，免费珍妮动画原片 ，日本成片视频在线看 ，国产极品主播粉嫩福利在线 ，国产一区二区免费精品
01月03日 ，超九成受访大学生感到恋爱课上收获颇丰 ，亚洲一区二区三区 在线下载 ，欲色欲香天天网综合久久 ，日本久久中文字幕视频 ，www性欧美
01月03日 ，陕西华山“风起云涌”美不胜收 ，综合欧美色图 ，五色色色 ，欧美性色精品视频在线看 ，性爱小黄片
01月03日|（身边的变化）云南临沧：特色农业染上“科技色”|我的世界珍妮被操|校花主动掀开Jk露出白色内裤|国产精品夜夜夜爽张拍芝|乱黄色视频
01月03日|AI时代版权边界需重新厘清|中文字幕丰满乱孑伦无码|同性恋射精视频|荒野乱斗麦乐迪裸妆1|欧美国产地址
01月03日|两会受权发布丨十四届全国人大二次会议主席团举行第三次会议|中文字幕在线观看日|日韩一区二区免费A片视频|尹人香蕉免费一级毛片|乱伦少妇嫩b……
01月03日 ，最高法：既严格保护医药知识产权 又依法规制垄断行为 ，成 人 A 免 费α片 在 线 视 频 ，国产精品网页 ，caoporen在线视频 ，国产精品秘 福利姬软萌萝
01月03日 ，民建书画家浙江挥毫泼墨 “送福”进万家 ，欧美性情A片 ，奶白官网登录入口 ，日日操人人操夜夜操 ，日韩午夜一级毛片
01月03日|文旅部公布2024年春节“村晚”示范展示点名单|日韩欧美女一级淫乱黄页|黄色视频入口网站|国产嫖娼妓院视频网站|六星网激情戏
01月03日 ，中央精神文明建设办公室发布2024年第三季度“中国好人榜” ，黄视频免费在线视频观看 ，黄页免费国产 ，国产精品视频免费看 ，91国语精品自产拍不卡
01月03日 ，推动高质量发展·权威发布｜吉林：有信心保持粮食增产良好势头 ，欧美在线一级VA免费了一观看 ，成熟妓女偷窥汇编 ，动漫 爆乳 美女网站 ，一级做一级a做片爱性视频app
01月03日 ，受雨雪冰冻天气影响 2月1日郑州局管内部分列车停运 ，久久机精品视频 ，欧美肏屄图片 ，欧美特大黄片 ，国产精品久久无码特级毛片
01月03日|“潭美”减弱为热带风暴级 海南仍有强降水|人人干人人膜人人|第一人称18rH|护士被老头添一晚夜|人人射 人人摸 人人干
01月03日|星空有约！月掩海王星天象在天宇上演|成人51秘 免费APP|日韩黄网站免费|欧洲一区二区|3D动漫精品啪啪一区二区中
01月03日|安徽首座9F级燃气电厂在合肥正式投产|黄色免费观看精品|欧洲熟妇色ⅩXXXX欧美老熟妇|亚洲人成年网站在线线播放|欧美性生交xxxxx办公室
习近平两会上的这些论述值得深读 ，JDG官宣Ruler离队|天津：“城市骑行”热度高 “骑行友好”环境加速打造|亚洲青春草色站|女生张开腿让男人桶|一级a性色生活片毛片寂寞少妇|观看永久免费的A级视频
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
【冰雪春天】习言道｜你们在滑雪中找到魔法了吗？【冰雪春天】习言道｜你们在滑雪中找到魔法了吗？
施政报告第二场地区咨询会 李家超：继续“做实事、做成事”
中国政府中东问题特使：当务之急是确保人道救援物资快速、无障碍进入加沙
“我奉献 我快乐” 来看这些志愿者的工作纪实→
湖南沅江观鸟挑战赛记录南洞庭湖鸟种143种
走进“首都桃花源”！到北京平谷体验慢生活
福建屏南：绿色工业向“新”而行 民生改善以“民”之望
习近平主席抵达法国巴黎
新西兰总理为该国护理机构虐待丑闻道歉
香港湾仔利东街喜庆大红灯笼迎新春
美女高潮无遮挡免费视频
欧美一级AAA免费黄片
自拍偷拍欧美亚洲
先锋资源你懂的
国产高清一级视频在线观看
日本黄色视频在线观看网站
秘 韩H漫画免费无删减
荒野乱斗女英雄坐在钢筋上
主播国产一区在线精品
亚洲se激情在线观看
闽公网安备 35010302000113号