猫眼影戏
 |
|
猫眼影戏
梁思成
手机审查
猫眼影戏记者 袁星红 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：尿孔开发视频全过程
??01月07日,首个“银发经济”文件，如何加强养老服务？,
近年来，随着社会的前进和农村形势的转变，村干部在事情中应该有体会，那就是，做事情的时间纯粹地凭已往的那套老履历、老步伐，不是不可解决问题，可是效率和效果较之以前要差得多。履历和做法都面临着要立异、要突破，要与时俱进的问题。因此，作为新时代下的农村干部，只有抓好自身的学习，一直提高素质和能力，才华更好地顺应事情情形，胜任自己的事情。要认真学习和熟练掌握党在农村的各项最基本的目的政策，尤其要重点学习《中国共产党农村下层组织事情条例》、《村民委员会组织法》、“一制三化”事情制度等，只管学透，学深，学到位。要学习农村干部党风廉政建设方面的知识，做到学以促行、学用连系，以确保依法治村、依法施政。并注重以学促干，将所学用于实践，鼎力大举营造学知识、学手艺，比能力、比贡献的“双学双比”之风。党的xx大指出，增强党的执政能力建设，要害在于学习，在于立异，只有增强学习教育，才华在基础上提高我们解决现实问题能力，驾驭重大时势的能力。每一个村干部都一定要把增强自身学习摆在主要的位臵，起劲作育学习兴趣、营造学习气氛，在学习中一直提升自身能力、强化职业手艺，以学习的效果发动事情的开展，翻开事情时势，做出真绩实效。
,男生女生一起差差差APP。??01月07日,抢票“林俊杰”付款变“林子祥”？,
“走喽，去圣战！”
,狼友看片网址,国外精品源码1688入口,sm虐乳针扎进奶孔ⅹⅩⅹⅹ。??时势2：九色91POPNY911
??01月07日,伊朗披露日前于阿曼海域扣押油轮画面,
突然，一声长鸣传来，其音如雷，震的密林中乱叶簌簌坠落。天空中泛起一头重大的黑影，一只五六十米长的凶禽横空而来，乌光闪灼的鸟身，精气滔滔。银色的眸子，锐利如电芒，符文闪灼，有一股榨取人的气息铺天盖地而下。
,伊人久久综合色,黄瓜污视频,国产A∨视频精品老师视频。??01月07日,（粤港澳大湾区）深中通道开通近两月 大湾区海上互联互通提速升级,
城中，谁人略胖的中年男子眼见这一战后自语：“这株祭灵真是不简朴，竟然生长出几口飞剑，未来的成绩不可限量啊。”
,麻花传剧原创,久草爱视频,在线一级A片免费视频。??时势3：亚洲各国三级片网站
??01月07日,天津警方通报“女子在永乐桥欲跳桥轻生”：被救下并送医治疗,
那里仙光冲霄，瑞气汹涌，像是来到了开天之前，宛若有混沌至宝出生，在一直沉浮，震惊了整片大荒。
,精品人妻系列无码专区久久,欧美黑人巨大XXXX视频,黄色入口。??01月07日,智库：欧洲国家过去五年武器进口量增加近一倍,
县医院是全县医疗行业的排头兵，是全县规模最大、整体手艺水平最高、功效最全、责任最重的综合医院，它不但担负着全县**万人的医疗包管，还担负着教学、科研、培训等使命。多年来县医院始终坚持了快速而稳健的生长势头，各项事情始终走在全县医疗单位的前面。20xx年县医院在顺遂完成新医院的搬家同时各项事情又取得了显著效果，营业总量显着增添，营业规模一直扩大，医疗质量稳步提高，医德医风显着好转。效果的取得归功于医院团结、务实、锐意立异的向导班子，归功于一支听从阵势、爱岗敬业、默默贡献的职工步队，归功于严酷、规范、高效的内部治理系统。适才，**院长对20xx年度医院年度事情举行了周全的总结就20xx年岁情举行了详细安排，我完全赞成，下面，我就在医疗卫生体制刷新的大情形下医院怎样康健一连生长讲几点意见，供各人参考。
,黄 色 视,芒果视频app黄,国产品九九久久久精品。??时势4：韩日毛片免费视频一区二区
??01月07日,中外专家北京探讨AI如何让机器人更“聪明”,
自上古诸圣喋血到现在，每隔数百年都会有少年英雄进入百断山，许多人都到过这里，寻找心仪的宝具。
,欧美黄色电影在线看,日韩三级中文字幕,青青操视频在线免费。??01月07日,25幅梵高画作将在台北展出,
早上好!在雄壮的国歌声中，陪同着催人奋进的响亮铃声，在这冬去春来，万物苏醒，春暖花开的时节，我们又迎来一个充满期待、充满希望的新学期。在这里我向各人拜个晚年，祝愿各人新年好! 亲爱的同砚们，为了资助你们，开学前，学校里的先生一直在做着全心的准备。就像以往一样，我们每一位先生都怀着重大的瞻仰期待着你们康健地生长,希望你们长得更高、变得更懂事。而你们，也一定会用自己的言行，让先生们由衷地感应，重新泛起在他们眼前的学生更可爱了。
,日韩亚洲免费视频在线观看,打光屁股㊙️网站,日本高清色色视频。责编：和广发
审核：王海勇
责编：杨德勇
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
