猫眼影戏
 |
|
猫眼影戏
林思奇
手机审查
猫眼影戏记者 克里恩 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：少萝裸体 网站蓝苺
??01月03日,钻石失宠！戴比尔斯不断打出降价牌，钻石珠宝公司业绩应声下滑,
符文闪灼，宝术时时飞起，两者强烈交锋，转眼竟已往了数百招，小不点越打越心惊，他已经被重创。除了遭遇金色尾巴一记重击外，背后更是挨了一爪子，差点将他的脊椎骨给击断，鲜血淋淋，小不点吐了几大口鲜血。
,看Av不卡。??01月03日,初步结果显示阿扎利赢得科摩罗总统选举,
“嗡”的一声，柳树绿霞冲霄，秩序神链一道又一道的交织，让人睁不开眼，此后笼罩着石村，突然间从天地中消逝了，这个地方什么都没有剩下。
,国产一级二级三级不卡在线,一区二区 在线,看黄色欧美性生活视频一级。??时势2：天天操天天舔天天日
??01月03日,广东省珠海市斗门区莲洲镇党委书记刘桂柱被查,
祭灵不阻挡称呼其为神，这个新闻一出，险些所有强者都变色，忍不住倒退，对这棵通体焦黑，近乎坏死的柳木爆发了一种莫大的恐惧。
,久久无码黄片视频,人人草人人色,无码人妻制服不卡。??01月03日,应急管理部将低温雨雪冰冻灾害Ⅳ级应急响应范围扩至11省份,
共实验拆迁刷新项目个，拆迁占地面积万平方米，拆迁修建面积万平方米？そㄉ杈檬视米》客蚱椒矫;新开工建设住宅小区个，开工修建面积万平方米。增强了住房挂号及二级市场生意治理，办理初始挂号件，发证面积万平方米;典质挂号件，挂号面积万平方米;转移挂号件，面积万平方米;现房典质件，挂号面积万平方米，受理了市区家房地产开发企业的营业。强化了住房公积金的归集使用治理，归集公积金万元，发放公积金贷款万元？沽朔康夭谐」娣墩，对家房地产开发企业，家物业治理企业，家房地产评估机构举行了资质年检和市场检查，房地产市场秩序进一步好转。严酷商品房预售治理，共办理预售允许证件，预售面积万平方米。增强了物业治理，提请市政府下发了《关于进一步增强物业治理事情的通知》，对进一步增强物业治理事情，充分验展市、区政府有关部分、街道效劳处、社区委员会的职能作用提出详细要求。下发了《关于进一步增强房地产开发治理的通知》，增强前期物业治理事情，进一步完善维修基金制度，累计归集万元Ｆ鹁⒖刮镆抵卫硎髂Ｐ∏ㄉ，有两家住宅小区划分被自治区评为树模小区、优异小区。
,脏脏软件,nga饭局花花200张,一个人免费视频在91久久www。??时势3：婷婷在线视频无码精品视频
??01月03日,航行警告！东海海域有实弹射击训练,
“你……偷来的？”
,国产熟AAA级毛片,校园激情乱伦网,梅花十三被掰开全过程。??01月03日,贵阳贵安启动东数西算数智平台,
第二、作风问题解决欠好，损害党和政府的形象，影响经济生长，贻误小我私家生长。作风问题无小事。重视作风建设，是我们党的优良古板。党和政府在群众心目中的形象，很洪流平上是通过各级干部的作风体现出来的。干部作风歪了、形象坏了，群众就与你远了，你语言就没有招呼力，没人听，政府出台的步伐就无法在群众中获得贯彻落实，搞建设、效劳业就得不到强有力的支持。在招商引资事情中也是这样。招商引资需要一个好的投资情形。好的情形靠什么来营造?靠完善的制度，靠优质的效劳，归根结底靠宽大干部好的作风。干部作风不实，就会成事缺乏，败事有余，给投资客商造成卑劣影响，给我们园区经济建设带来重大损失。
,官网a片免费送,亚洲欧美日韩 在线 一区,点击进入黄色视频电影院网站一区。??时势4：巨乳黄片视频
??01月03日,福州海警连夜查获鸡爪等走私冻品80余吨, 上述聚会后，召开了中；岬诎私熘次岬谝淮沃飨刍，中国福利会第八届执委会主席李斌，副主席王嘉毅、顾朝曦、李逸平、张晓敏出席聚会，中；岬匙槌稍焙陀泄厥虑橹霸奔尤刖刍。,美女张开腿让男人捅的视频,H国产乱伦,成人 性视频免费网站。
??01月03日,中国成功发射千帆极轨03组卫星,
每小我私家心中都有对消防纷歧样的明确。但我的明确十分地完善，火是照耀人类历史的里程碑，没有火就不可吃到熟食，但火也有纵容的时间。
,天天干超级爽,欧美黄色视频在线免费看,久久伊人中文字幕乱码自慰。责编：乔良
审核：林斗喜
责编：张炳贤
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
