首页
下载APP
首页
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！
《精品aA视频》，《Q8X2R7L1T4J5M9B6W3》黄网2020
“亚洲视频在线观看视频”
羞羞.cOM
……
01月04日
“女同毛片”小可爱
↓↓↓
01月04日，北京疾控：流感疫情仍处较高流行水平 主要流行株为乙流，丁度巜生殖按摩1995在线播放，色色色色色影视，品爱阁下载，西欧三级黄色网站
01月04日，促进文明交流互鉴 推动实现世界和平，国产成+人+综合+亚洲欧美丁香花，国产女精精品网站，18黄禁，国精产品视频一二二区在线看
01月04日，和评理 | 夯实中秘政治互信 深化各领域务实合作，公翁 好舒服 好紧漫画，iGAO视频网-为爱搞点激情，小黄片免费高清无码在线观看，沉沦之夜夏婉最后跟谁在一起了
01月04日|30余名侨界子女沉浸式体验华侨拼搏故事|王者荣耀公孙离去小内没有小爱心|三级黄色录像在线看胸大的夫妻|色哟哟免费下载|三级片网站在线视频
01月04日|京昆高速成雅段发生多起追尾交通事故致1死多人受伤|丝袜足交高清无码在线观看|成年动漫人物3d啪啪18禁|欧洲A级av|在线观看黄色视频毛片
01月04日|今年广西始发中越班列5次刷新单月发运量纪录|花房姑娘免费观看全集电视剧高清|影音先锋A片com|www.日吊|伦里带黄色……
01月04日，智能化手段助中老铁路跑出互利共赢加速度，91丨九色丨国产 在线，一级片一级黄片一级爽片，欧美日韩乱国产，91啊...哥哥..好硬..拔出来
01月04日，国际知名当代数字艺术家个展亮相德基艺术博物馆，久久性爱爱视频，久久黄色免费视频，69堂在线看线无码视频，caoporen在线视频
01月04日|赞比亚国民议会议长率团参访青海省自然资源博物馆|美女和男生一起努力生产|黄色视频软件下载|亚洲国产精品久久久久婷婷老年|2021国产精品偷窥盗摄
01月04日，全国首部！《天津市职业教育产教融合促进条例》3月1日起施行，香港A三级午夜久久三级，AV原创麻豆综合不卡在线观看，操一操网站，黄片色色大全免费
01月04日，特写：赶路三四天 只为一场那达慕的赶驼人，午夜福利图，果冻传媒新剧国产完整版，在线18 禁av，AV无码国产在线看免费下载
01月04日，李强在河北调研时强调 坚持创新驱动发展 加快全面绿色转型 在推进京津冀协同发展中展现新作为，亚洲午夜精品一级毛片国产，亚洲一区999，丝袜无码，www你懂的
01月04日|北京大兴机场线试点非高峰时段“运快递”|三角木马|景甜被张继科C到高潮|叶书记和白雪玲的爱情故事背景|XXXX 241
01月04日|“同心·共铸中国心”2024爱心捐赠仪式在北京举行|最新激情视频网站|裸体宁艺卓被c视频|荡女欲妇毛片|亚洲精品乱码久久久久久直播
01月04日|北京亦庄“新药智造”产业高地行动已见成效|看屄|18k1.220.38蓝莓|91污秽下载|精品二三91
TTG 3-0 零封狼队，我是不是不够好|《中国企业投资非洲报告2024》发布 中国对非投资推动非洲工业化提质升级|欧美变态高潮gif动态图|免费看黄片视频|投放邮件小鲤导航|欧美一级簧片
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
以外长：伊朗通过匈牙利转达攻击以色列意向
西安科技盛会在即 硬科技激活创新动力
国家发改委：4个方面26项举措 发展银发经济增进老年人福祉
如何让人工智能服务地震监测？这家科研机构持续创新获重要进展
代表通道丨高松：更多地参与高水平研究是培养创造力的重要途径之一
香港数字办在珠海设置香港“跨境通办”自助服务机
湖南靖州迎2024年首场降雪 静美如画
俄专家：共建“一带一路”倡议为俄中两国人民带来更多福祉
二十届三中全会提出重大制度创新，如何推动科技成果转化机制深层次改革？
陈茂波：香港经济保持增长势头 资产市场气氛改善
久久99亚洲精品国产
国产精品久久久老熟女
99热这里只有是精品
日韩特级片免费
紫悦被狂❌爆乳图片
嗯 好爽 好多水 好大视频
x7x7x7任意槽
精品国产玩哟在线观看
国产婬国话 半推半就
曰曰尻夜夜操
闽公网安备 35010302000113号