猫眼影戏
 |
|
猫眼影戏
刘和明
手机审查
猫眼影戏记者 叶健 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：少萝扒开腿秘 让人桶爽
??01月06日,香港将继续密切留意福岛核污水排放发展情况,
小不点直接写上了两个字：极速。
,毛片网性色a。??01月06日,海峡两岸青少年棒球邀请赛挥棒开赛 两岸“棒球小子”同场竞逐,
记着，；さ厍，就是；の颐亲晕。
,国产欧美日韩一,彪虎影视在线观看免费,免费一级全毛片。??时势2：大型av网页
??01月06日,澳大利亚楚商联合会与江西九江市访澳团举行经贸座谈会,
远古遗种长鸣，杀气冲天，全身光线爆发，直接就俯冲了下来，要将他们一口吞掉，不久前它还曾吞食过数百万人，那种煞气至今未散，甚是恐怖。
,任你爽视频,惩罚女仆扒开 用棉签和冰块,欧美交性一级视频免费。??01月06日,湖北咸丰：“星辰云海”璀璨梦幻,
1、增强村干部培训是提高班子实力，建设高素质农村下层干部的内在需要。在竞争日趋强烈的今天，各人能否驾轻就熟地事情，进一步生长农村经济，真正顺应新形势，熟练自若地开展各项事情，要害是要看能否坚韧不拔地学习种种知识和手艺，一直提高自身素质。从我县的情形来看，这次村委会换届，选出了群众公认的干部，这些干部的群众基础很好，可是有的同志才新进班子，对村里事情和种种情形还不熟悉，还不可很好地进入村干部角色;同时，在原已进入班子的干部中，有一部分人在事情作风、事情要领、事情效率等方面，仍然不可完全顺应形势要求，详细来讲，体现在这部分同志的头脑不敷解放，市场经济的竞争看法、效益看法、规模看法、科技看法、法制看法等还不强，仍未从关闭运行的圈子里走出来;向导治理水平还不敷高，事情仍停留在一种低条理、低要求和低水平上，事情要领仍然用土步伐、老履历，处置惩罚问题没程序，效劳不讲战略。若是我们不可正视以上问题，不可接纳有用步伐尽快解决和战胜，那么建设高素质干步队伍，周全建设小康社会雄伟目的就是一句空话。解决素质不顺应的问题，说究竟最基础的步伐照旧要靠学习。我们现在办培训班，对农村干部举行培训，就是为了逐步解决这些问题。同志们一定要认清形势，提高熟悉，务必以高度的紧迫感和责任感，加入培训，重视学习;一直提高自身素质，起劲成为自觉的、苏醒的、群众信任的农村事情向导者。
,深夜释放自己在线观看网站大全免费在线看,看毛片.com在线观看,激情黄色美女视频直播。??时势3：91久久艹
??01月06日,西藏林芝：生活在藏东南的僜人们,
“活该的，狈村的祭灵果真生性多疑而狡诈，它竟召集来这样一群变异的巨狼！”
,人人操视屏,火箭少女胸口受伤,宝石骑士naimi 在线观看。??01月06日,武汉医生为超早产儿成功实施“补心”手术,
这是一个重大的湖泊，碧蓝如海，众多无垠。蛟苍等人回来了，进入一座圣岛，如实禀报，马上引发一声咆哮，如远古蛮蛟出生，震惊了这片水域，白茫茫的浪涛击向高天。
,免费看黄120秒在线直播视频,又黄又粗又长又爽又免费的视频,精品一级片手机在线免费观看。??时势4：有色视频哪里可以看自拍
??01月06日,五连胜！中国U17女排强势晋级世锦赛四强,
七月的暖风催浓了校园的绿荫，五彩的花朵又一次落英缤纷，陪同着生长的喜悦，洋溢着收获的激动，我们欢聚在这里，盛大举行黄崖子明德小学20xx届六年级结业仪式。同砚们将离别这漂亮的校园，带着一份挥之不去的影象和悬念走出校门，放飞新的理想和希望。在这离情依依的时刻，请允许我代表学校向经由起劲学习，圆满完成小学学业的同砚们体现最热烈的祝贺，向辛勤培育同砚们康健生长的先生们、家长朋侪们致以最高尚的敬意。
,我帮你扣扣里面的,freesextv,欧美天天插。??01月06日,中国从泰国引渡首名经济犯罪嫌疑人 涉案资金超千亿,
2、轻声闲步过走廊，中午检查纪律的同砚也要注重这一点，不可急跑，滋扰同砚休息学习，也不清静，也没须要，戋戋十几米跑能节约几多时间啊?
,八重身子去内奖励旅行者免费,一级黄片一级毛片,国产精品 春水。责编：梁效
审核：布岗
责编：张天许
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
