猫眼影戏
 |
|
猫眼影戏
高梦婕
手机审查
猫眼影戏记者 叶晓萍 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：原神sodeno19
??01月07日,跟着“悟空”游山西！山西文旅官员谈国产游戏带火取景地,
要实现这个雄伟的目的，需要在坐的新一届村居两委成员的上下同心、配合起劲。关于在坐的列位村居干部来说，目今最主要的就是周全提高自身整体素质，切实做好下层事情;就是要树立信心，下定刻意，凝聚民心，周全、认真、扎实地完成镇党委、镇政府下达的各项事情使命。因此举行这次培班就显得尤其须要。
,黄视频欧插。??01月07日,四川合江：绿茵稻田美如画,
补天阁上下，原本士气降低，现在见到一经的门人回来，莫不热血汹涌，强烈冲杀，大战各路敌手。
,永久免费精品影视网站播放器,污18加游戏免费下载,苍井空网站。??时势2：色黄乱婬伦视频
??01月07日,闽台5000余人旅游团队登临武当山,
一到夜晚，连西崽都不肯出门，不在庄子中走动。
,A级自慰喷水网站,色综合影库,www.黄色二级网站。??01月07日,跟着总书记看中国｜渔民村响起悠扬粤韵,
我们要通过此次村干部培训，进一步增强事情劲头，提高各村干部成员的整体素质和水平，切实增强下层党组织为民效劳的本事和信心。各人要充分熟悉这次培训的主要意义。
,草久伊人,国产夫妻视频在线观看,国内美女午夜色色精品。??时势3：oooapp下载
??01月07日,200余名小球员在京角逐篮球技巧 焦健陈楠现场指导,
四是督导评价，指导学校竞争生长。我县现在对教育的督导评价事情还处于起步阶段，对学校的评价还没有形成有用机制，导致学校办学自动意识和竞争意识淡漠，从校向导到西席对教育倾注的心血还很不敷，苟且偷生的征象还时有保存。今年的事情：一要建设学校生长性评价机制，让学校有起劲的偏向；二要增强年度督导审核，实时果真审核效果，奖优罚劣，去年12月份已经举行了一次，并于近期已对部分薄弱学校的向导班子举行了调解。三要每年组织两次全县统考，实时总结反响，让每一所学校、每一个校长、每一个西席苏醒地熟悉自我、反思自我，从而逾越自我。
,免费三级性爱视频,国产一级a爱视频在线,Yeyebirdie生命工坊官网入口。??01月07日,美国佐治亚州发生持枪劫持公交车事件 致一人死亡,
第三是舞台机制。筑巢才华引凤，也就是说企业必需有一个强有力的平台，让每一个优异人才，获得充分的施展，让他们获得一种成绩感和知足感。舞台机制现实上是就是授权、放权，让优异的人才有自己的空间舞台。
,欧美日韩国产第一页激情,日本熟妇色视频一区二区三区色色,欧美人爱做免费。??时势4：性一级AV又粗又硬又大
??01月07日,应对直播乱象，“线上+线下”共同治理不可少,
至于一群成年男子更是脚底生风，冒得不亦乐乎，蕴含精血的祭灵肉要处置惩罚好，这些是价值难以估量的废物。
,一起草 久久蜜桃,春宵福利院导航,加勒比超碰日韩操人妻B在线。??01月07日,旅德大熊猫“梦想”和“梦圆”返回成都生活已满月,
(二)动真来实，查摆问题。指出，找不出问题自己就是问题。各村(社区)两委班子至心至心听取意见，带动查摆问题，牢牢捉住“照镜子、正衣冠、洗沐浴、治治病”的总要求，以谈熟悉、谈头脑、盘问题、找出路为切入点，聚焦“四风”，比照在党的群众蹊径教育实践活动第一批总结暨第二批安排事情聚会上，枚举的州里(街道)和村(社区)保存7个问题，驻足于从班子及跟人自己找问题、查泉源、晒缺乏。组织群众有序加入活动的各个环节，切忌“自说自话、自弹自唱”，尤其要落实好“六必听”(事情工具和效劳工具必听，下层干部和群众必听，离退休老同志必听，党外干部必听，本单位职工必听，难题多矛盾突出的地方必听)的要求，从活动一最先就要扎下去听取群众意见和建议，做到每个环节都组织群众有序加入，流通群众反应意见的渠道，让群众监视和评议，充分调动群众加入活动的起劲性，确；疃恍椤⒉黄⒉蛔吖。查摆的问题找得越详细越好，绝不可笼而统之、大而化之，避免避重就轻、不痛不痒。
,欧美性爱在线免费看,国产女人乱子对白AV片,蜜桃动漫网战。责编：学常新
审核：林富贵
责编：赵学军
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
