猫眼影戏
 |
|
猫眼影戏
张家国
手机审查
猫眼影戏记者 文北洋 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？榛杓疲荚诮Ｗ拥耐评碛胝雇芰怦睿⒏ㄒ远嘀帜？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？榛杓疲琕Gent 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：日韩版无码一级毛片特黄
??01月06日,拉萨车站“五一”假期发送旅客7.6万人次,
真的逾越了，谁人小小的身影如天神一样平常，眸子中神光爆射，穿云破雾，如两道闪电划破长空 。
,17c男桶女唧唧 。??01月06日,AI规划+数据找人 助力大学生就业各地团组织纷纷“出招”了手语翻译、专场招聘会、云面试……多措并举为残障人士铺就“幸福就业路”,
(二)坚持城乡统筹，解决好城乡二元结构的问题 。城乡统筹既是城镇化建设必需处置惩罚好的关系，也是农村生长必需思量的要素，从张掖的现实看，城乡统筹主要要做到以下几个方面：一是妄想统筹 。在一个县域规模内，哪些乡需要建，哪些乡需要撤，哪些村要集中到州里上来建，哪些村要集中到县城来建，哪些村要就地重修，哪些村要搬家，都要做一个周全的妄想，镌汰不须要的资源铺张 。二是政策统筹 。在思量都会建设的同时，一定要思量农民的需求 。土地、社保、户籍、公共效劳等方面的政策要统筹思量，通过政策指导资源合理设置、城乡统筹生长 。三是要解决好“四化”村建设中的熟悉和误差 。这几年我们的“四化”村建设取得了显著效果，为新农村建设探索了一种新的模式，也完全切合这次中央城镇化事情聚会提出的要求 。但若是把“四化”中的“社区化”简朴地明确为“楼房化”，就是熟悉上的误差 。我们既可以有楼房版的社区，也可以有平房版的社区;既可以有生产、生涯脱离的社区，又可以有生产、生涯连系在一起的社区 。因此，要因地制宜，阻止一样平常性楼房的审批 。建设、妄想部分和各县区要再做一次深入的调研，进一步明确新农村建设的思绪和“四化”的标准，凭证城乡统筹的原则，谋划好新农村建设的偏向、着力重点和建设顺序，避免把农村建成微缩版的都会 。
,亚洲午夜精品一区二区麻豆,女性向AV,精品午夜人妻久久一区二区 。??时势2：日韩人妻精品一区二区三区视频
??01月06日,暴风雪来袭 美国东北多地进入紧急状态,
三柄剑铿锵震耳，剑鸣动天，符文扩散，最后又震散了那剩余的火光，斩到了凶禽的近前 。
,九色美女,XXNX16 中国免费,日本三级在线网站 。??01月06日,文化遗产日益融入人们生活,
刚跨进大学校园时，懵懂的我也曾和现在的你们一样，都会问自己这样两个问题：“我来这儿做什么?”“我将成为一个怎样的人?”是的，人生犹如夜航船，一个个始终警省自己的问题就是一座座塔基，而我们的回覆就是点亮自己的灯塔 。当思索这个问题时，我们正在为以后三年或者越发久远的未来树立一座灯塔，只管前路漫漫，航灯迷烁，但一步步走来的我们将一直修正航向，向着谁人人生的坐标原点进发 。
,免费在线观看毛片,热久久,新婚夜真人实战 。??时势3：538WWW
??01月06日,80余载寮都公学为中老友谊添注脚,
四富家一片悄然，兴师动众而来，效果四富家主只逃出来一个，或被镇杀，或被吊起，这个耳光太响亮了 。
,美女走光露出乳头被挤奶网站,照片色色色视频,国产精品免费午夜视频 。??01月06日,【侨一瞧】苏里南总统单多吉：跨越万里的友谊 共同擘画两国关系宏伟蓝图,
当你们庆幸的跨入了中国共青团组织的大门时，你们就充当了先锋，就选择了责任 。责任重于泰山，你们是同砚的楷模，你们有义务遵守团的章程，遵守《中学生守则》和《中学生一样平常行为规范》，遵守学校的校规校纪 。同砚们，让我们把团旗下的宣誓做为指导自己头脑、规范自身行为的座右铭，在生长的路上披荆斩棘，锐意进 。炎约鹤饔梢桓鲇行扪闹醒桓鲇幸嬗谏缁岬暮霉癜!
,亚洲同男男gaygays 18岁无套,多人做爱,美女高吹网站 。??时势4：不卡看a片的网站
??01月06日,西藏林芝市工布江达县发生3.3级地震 震源深度10千米,
最终，石子陵自己也脱手了，他全身散发万丈金光，通天动地，向前横扫而去，其余的人所有横飞，血液飞溅 。
,欧美性爱视频wwccxxoo,恨恨干恨恨缲,欧美第一区在线视频 。??01月06日,【一线调研·加快形成新质生产力】宁夏：创新引领 不断增强发展新动能,
最后，数百头坐骑，包括鳞马、独角兽、月犀等所有被穿在了柳条上，被卷回石村，而这一次它并没有罗致生命精气，直接甩落在街道上 。
,www.快色视频,91 最新地址,日本 A级 黄 。责编：张照
审核：塔尼娅·穆尔斯
责编：陈伟
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
