猫眼影戏
 |
|
猫眼影戏
符某聪
手机审查
猫眼影戏记者 吴起变 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：免费在线观看一级黄色视频网址免费在线观看
??01月09日,甘肃白银小学生有堂“毛线课”,
到了近前后，几人迈步走下兽骨，光华一闪，那六七米长的巨骨迅速缩小，化成巴掌大，温润晶莹，落入谁人老人的手中 。
,直接看av网址 。??01月09日,THE大学影响力排名公布 港科大领跑香港及内地大学, 最近两起企业补税事务引起市场关注 。一是湖北枝江酒业股份有限公司被要求补税8500万元，因这笔税款被追溯至1994年，使得税务“倒查30年”成为舆论焦点 。二是宁波博汇化工科技股份有限公司3月份收到外地税务要求补税5亿元的通知，最近企业宣布停产 。上述两起事务，引起了一些企业人士的担心 。这些担心包括是否保存天下性查税，不少企业担心若是倒查多年需要补税，这关于谋划难题确当下无疑是“雪上加霜” 。跟多位省级、市级税务人士交流得知，现在并没有天下性查税安排 。一些地方凭证外地税收大数据危害提醒等对个体企业查税，是一样平常事情，也是税务部分正常履职 。事实税务部分主要认真税收、社会包管费和有关非税收入的征收治理，发明偷逃税、少缴税行为，理应依法阻止，不然就是渎职 。（第一财经）,搞点激情,艳妇臀荡乳欲伦交换H软件,成在线人视频免费视频网址 。
??时势2：亚洲视频在线观看视频
??01月09日,平潭获得2025年第三十一届亚洲棒球锦标赛举办权,
3、要增进目今事情 。学习培训是手段，运用和指导实践才是目的 。我们培训的目的就是把这些知识学懂弄通，更好地运用到现实事情中去 。农村事情千头万绪，涉及面很是广，从事农村事情需要具备一定的知识和综合运用的能力 。这就要求我们的村“两委”在学习这些知识时，要运用唯物辩证法系统的看法、普遍联系的看法，掌握每一项政策、每一项事情的实质和精髓，统策划划，综合运用，做到融会意会，以学习增进目今事情，为农村经济生长、农民增收、农村稳固服好务 。
,www.毛片基地,三级网站三黄网站18,一级无码免费毛片 。??01月09日,伊拉克否认遇袭建筑与以情报机构有关,
“大娘，我想去园林看赤羽鹤，阿蛮说，它很漂亮，全身鲜红如火，鸣声很是悦耳 。”小不点扑闪着大眼说道，长长的睫毛轻颤，提及话来稚声稚气，还带着一种奶音，娇憨柔弱 。
,69国产丝袜熟女,自拍偷拍激情文学,扒开 让我 蜜桃视频 。??时势3：环肥燕瘦3D下拉式漫画最新章节
??01月09日,推动高质量发展·权威发布｜吉林：有信心保持粮食增产良好势头,
“太好了，乐成了！”
,国产对白放荡AV,97chaopeng.com,久久经典视频免费在线观看 。??01月09日,国台办发言人陈斌华答记者问,
(十六)推动信息平台建设，强化信息交流共享 。研究建设羁系机构与银行业金融机构之间互联互通的危害信息交流平台，实时网络、挂号种种危害信息，使相关机构能实时掌握危害动态，提前接纳预防步伐，梗塞治理误差，提升危害治理能力 。危害信息平台建设凭证先起步、后完善的原则，先从银行业案件信息最先，逐步增添外部诓骗等危害信息 。
,亚洲Aⅴ天堂Av天堂无码久久,手机在线A片不卡免费的视频,性裸交 成人导航 。??时势4：日本性交网站
??01月09日,豪华游艇遭遇海难 “英国版比尔·盖茨”遗体已被找到, 顶端新闻记者在其提供的截图里看到，儿慈会9958儿童紧抢救助的微信公众号先容柯某孝为“中华儿慈会项目四部9958廊坊团队主任”，并获得了“中华儿慈会2022年度最佳向导力奖” 。,91久久国产口精品久久久久,第一视频区亚洲日韩,99日韩午夜福利无码 。
??01月09日,吉林市松花江开江 沿岸冰面融化冰挂垂悬,
这是一种凌厉无匹的至强宝术，曦光化成一口又一口剔透的红色仙剑，锋锐无比，带着滔天的火光，斩向巨禽 。
,啊进来插视频,黄色视频在线观看无码,美女把腿张开被弄到高潮 。【长春一公园连续多年设人工鸟巢助鸟类越冬】
责编：吴凯庭
审核：易会满
责编：沈宝昌
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
