猫眼影戏
 |
|
猫眼影戏
张体学
手机审查
猫眼影戏记者 尼玛 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：特级大黄A片免费线观看
??01月06日,重庆永川区供销合作社理事会副主任金富鹏涉嫌严重职务违法接受监察调查,
“无妨！”老人一挥手 ，硬是接连喂了几大滴神禽血。而谁人婴儿却也不抗拒 ，用力吮吸 ，眼睛很亮 ，竟在笑 ，看的众人啧啧称奇。
,99五月无码在线观看。??01月06日,侨乡新征程｜保山“侨味”餐馆见证四十余年生活变迁,
由于你心里有一种坚定的信心。
,亚洲狼友视频,欧美淫荡性爱视频,天天爽夜夜爽精品视频一免费。??时势2：one一个就够了永久vip
??01月06日,183家非银行支付机构将迎新规 实施细则征求意见了,
??01月06日,一博物馆数件文物发霉，白斑密集，当地回应 ,
做一名文明员：文明乘车、文明行路 ，不进网吧 ，做文明小公民; 做一名自愿员：鼎力大举开展自愿者效劳活动 ，扫除白色垃圾、玄色广告 ，净化情形 ，做力所能及的事情 ，为建设文明都会孝顺一份实力。。
,欧美老妇乱码伦,美女黄色软件,AAAA黄片免费观看。??时势3：白丝脚交榨精
??01月06日,哈乌阿三国元首就绿色能源开发和传输签署战略合作协议,
四是要作育求真务实、真抓实干的事情作风。求真务实 ，就是说真话、办实事、求实效。要敢于实事求是 ，善于实事求是 ，能够实事求是。农村干部只有讲真话、讲真话 ，才会赢得群众的信任 ，才华向导群众一道战胜难题 ，解决问题。以是 ，我们做的每一项事情都要从现实出发 ，要带着问题与群众配合研究本村的优势所在 ，寻找切合外地现实的经济生长路子 ，探讨增添农民收入的步伐。要用自己的模范行动和楷模作用向导群众生长经济、增添收入。各人在培训中一定要注重学用转化 ，要连系本村自己的事情现实 ，与其他村干部相互交流 ，配合认真思索、研究怎样才华向导群众加速小康建设。
,日本高清wwwcom,小蝌蚪海量高清日韩国产无码视频,www.anqula.com。??01月06日,专家倡导排糖兼顾保护心肾等靶器官 关注糖尿病不良代谢记忆效应,
当世 ，宝术太稀珍了 ，即便生齿数万万的大部族也执偾有一门镇族宝术罢了 ，辅以几个小神通 ，想要多寻几种基础不可能。
,国产嫖妓精品视频导航,日本来激烈吮乳吃奶头,黃片AAA。??时势4：91人妻最新论坛
??01月06日,李家超称过去18个月香港吸引4.7万持外国护照人才,
“青山绿水长留生前浩气 ，苍松翠柏堪慰逝后英灵”。忆往昔 ，在血雨腥风的战争岁月里 ，中华大地上众多英雄子女不平于外来侵略的榨取 ，不平于反动统治阶级的血腥正压 ，不平于风霜雪雨的艰辛灾祸 ，为了中国人民的翻身解放 ，为了中华民族的伟大再起 ，不吝抛头颅 ，洒热血 ，赴汤蹈火 ，舍生取义 ，矢志不渝 ，用他们名贵的青春和热血 ，谱写了可歌可泣的壮丽诗篇 ，为中华民族的自力息争放事业立下了不朽的功勋。 “灵魂托日月 ，肝胆映河山。”义士们走了 ，但他们的事；峄没捎啦幌诺姆岜 ，高高耸立于天地之间 ，高高耸立于后人心中。
,一级黄色免费网站站接女,美女被触手狂揉下部❌动漫,国产斗嘛av免费在线观看。??01月06日,（新春走基层）“欢欢喜喜过大年”上海浦东启动新春系列活动,
同砚们 ，我们周围清静隐患许多 ，但通过普及清静知识 ，可以有用提高自我；つ芰 ，确保生命清静。只要头脑重视并具备一定的知识和响应的步伐 ，许多意外危险事故都可以阻止。要害是我们要警钟长鸣 ，一直强化清静意识;同时要步伐到位 ，消除清静隐患。
,吹壶壶 视频 教程,欧美人爱做免费,亚洲自拍91在线。责编：姚晓芙
审核：牛欢
责编：胡旭阳
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
