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 。基于IoA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！
《国产小伙嫖妓在线播放》，《Q8X2R7L1T4J5M9B6W3》美女黄片在线看
“欧美性交操B”
欧美激情黄视频
……
01月07日
“日韩在线观看视频第一区”辽宁男篮
↓↓↓
01月07日，冒充明星账号加好友，又以涉嫌侵权行敲诈！这一犯罪团伙被捣毁，J插P，秋霞网，91人妻人人爽91专区，天天碰天天添天天狠
01月07日，《狮子山下》音乐会青藏高原首演，免费www黄页网站图片，亚洲婷婷丁香一区二区，汚污性爱A片，巴西二女一杯的食屎原版预告
01月07日，让“创新花”结出“发展果”（现场评论），小嫩嫩裸体自慰无码，欧美日韩综合精品视频在线，高清一级黄色视频免费在线看，日韩一级特黄毛片在线看
01月07日|近距离｜习主席称赞法国总理中文“讲得很好，很标准”|免费狼友视频在线观看|aa情趣大片|一级学生妹|粗暴大黑鳮巴视频欧美VD
01月07日|姹紫嫣红！徐州4万余株牡丹花竞相绽放|国产欧美日韩精品视频免费|一级特黄特级啪啪片A片|蓝摄bluephoto图集|外国黄色视频免费
01月07日|90亿人次！2024年春运人员跨区域流动量预计将创历史新高|91sese.av|欧美日韩精品福利在线观看|日本天堂网2019|国产免费99爱在线视频观看……
01月07日，【理响中国】坚定不移走中国特色金融发展之路，九九爱www免费视频在线观看，色欲特级毛片免费看，一级毛片在我的世界免费网站视频，www.综合五月婷
01月07日，2024第八届“多彩贵州”自行车联赛收官，2019人人操，女人爽的感觉下载，小萝喷水抽搐腿软，wwwe日本
01月07日|中国出境游进入预订高峰 “新马泰”旅游热度提升|在线观看高清黄色视频|国产小视频a在线|九九线精品在线|真人黄漫
01月07日，美国密歇根州一汽车冲入生日派对 已致2人死多人伤，淫乱色播，91看片入口，九色精品视频，欧美日日澡夜夜澡A片免费
01月07日，精确救援 重庆警方利用警用无人机热成像成功救助走失老人，男人在线网站，黄色一级性爱A片视频，红杏91人妻人人做人人爽九色，91偷拍300
01月07日，缅甸宣布将国家紧急状态延长6个月，性交一二三区，新黄页在线观看，18禁无遮拦▓男同网站，人人艹人人莫
01月07日|新冠疫情可能在本月出现回升 JN.1变异株大概率将成中国优势流行株|双男主被 到爽 流在线观看|18禁黄色免费网站|91口爆吞精 国产对白|在线毛片一区二区不卡视频
01月07日|巴基斯坦留学生剑诗：在张家口大境门感受民族交融|申鹤的乳业狂飙翻白眼流口水|日本三级小姨子妓女高清|欧美精品日韩精品十八小视频|国产avv福利播放
01月07日|旅客飞行途中突发急症 一航班紧急备降|2002国产精品自拍视频|别告诉mama软件下载|欧美精品久久久久久中文|日本黄色视频在线观看 -免费能直接看黄的网站 在线观看
周杰伦演唱会父亲罕见现身，苏更生被继父侵犯|十四届全国人大二次会议主席团常务主席第三次会议举行|好紧 我要进去C你了高H男男|真实男女XX00动态图|可以免费在线播放的黄色网站在线|超碰人人人人少妇人人爽
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
大兴机场口岸出入境人员数量突破400万人次
福建大田：“互联网+点菜式”服务 让民众养老不离家
福建古村落再现传承800余年南宋“游灯笼”
中新健康丨走进申城的综合性医院：微创方法百花齐放、达芬奇机器人助力
为筹善款连续下棋超60小时！尼日利亚选手创世界纪录
青海撒拉尔之乡：航拍油菜梯田花开如画
李鸿忠出席中国－葡语国家经贸合作论坛（澳门）第六届部长级会议开幕式
新能源汽车渗透率过半，与燃油车的竞争将走向何方？
北京市属公园春节景观上新 生肖形象“隆隆”亮相
“千湖之省”湖北将逐步恢复湖泊水域面积
国产XXwwXXww视频免费
男性尿道口有分泌物是怎么回事?
蜜桃影院
男人把自己的坤坤放在女人的嘴里
国产精品无码无片在线播放
欧美播屄网
亚洲性爱第一页日本性爱网A片下一页
白丝魅魔玉足夹住榨精
99国产熟女高清久久久久久
91AV现在天堂视频视频
闽公网安备 35010302000113号