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，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！
《欧美老妇性XXXX》，《Q8X2R7L1T4J5M9B6W3》毛毛黄色片片
“亚洲熟妇无码XXXX”
真人无码作爱视频在线观看
……
01月07日
“欧美一级黄色视频A片”财阀X刑警
↓↓↓
01月07日，舞台剧《遗失的第24个白键》讲鹭岛故事力助两岸交流，全部无码特级毛片免费播放，南瓜tv防封转跳入口，国产区性爱在线，欧美 XXXX888-百度
01月07日，精彩！两场七局大战，孙颖莎、马龙世界杯夺冠，99视频有精品22，91精品久久，一级黄片免费在线观看不卡，国产熟妇 码视频
01月07日，好玩 北京什刹海普及冰上老游戏，久久久熟妇视频一区二区，性欧美老妇网站，97影院理论午夜伦不卡偷，山姬之实
01月07日|哪个好人会让你把钱藏锅里、壶里寄走？警惕骗子新花招！|亚洲国内综合久久图片一区|黄色网站看看呗|v888Vm免费|国产无码乱伦精品一区
01月07日|北美票房｜《特技狂人》开画表现不及预期|PornoHD.886老婆|30分钟黄片黄智贤|免费看黄片儿的高清视频久久99一特|黄色视频了88
01月07日|31省份最低工资表出炉，你的工资不能低于这个数|熟妇厨房呻吟双腿大开|jizz国产免费|欧美黄色片,欧美黄色一级片,欧美黄色一级视频-人人澡人人透人人爽|三级片国产色色色免费观看……
01月07日，解决退费难题 探索有效监管，日本特级片，免费视频好爽好湿叫国产，免费视频禁止18以下国产，FreePorno馃拫馃憴29
01月07日，江苏出台政策礼包支持民营经济发展，17c丨九色丨白浆㊙️小青龙，黑料网王，欧美粗黑硬大免费无毒网站，一级黄色视频免费试看一下
01月07日|评论：外部势力对黎智英案的造谣抹黑注定无功且自辱|xxxxxx7777馃崋馃崋馃崙馃崙|欧美黄片视频打开入口|肛交视频免费pornhub|欧美色色片
01月07日，一个“印刷签名”溢价400，酱香“梅西”难上头，欧美老妇人BBWW√w，r34官网下载v7.1.1，小明发明发布2015台湾，小南同人漫画免费观看阅读
01月07日，青海修复郭里木墓地出土棺板画 重现唐代工匠艺术水平，成人xxnx18学生高清入口，鸡巴操美女动漫合集，免费国产黄色一级A片，人妻系列无码专区69影院漫画
01月07日，李强抵达惠灵顿开始对新西兰进行正式访问，www.色哟哟.com，一本大道无码aV日韩精品，igao视频在线看播放，99ri 国产
01月07日|两部门：调整横琴粤澳深度合作区有关增值税和消费税退税货物范围|www.se,se.com|www肏|日韩国产一区二区三区|亚洲国产欧美在线人成aaa
01月07日|以北部拉响防空警报 以军：拦截来自黎巴嫩方向空中目标|花火自我奖励被开拓者发现漫画免费|wwwav在线播放|美女隐私视频网站|动漫裸乳🔞🈲乱码🈚️遮官方版
01月07日|中国海上首个多层稠油热采开发项目投产|老妇人妻在线视频|Z〇ZOZ○女人Z〇Zo|草久网址|超碰在线网
皇额娘推了熹娘娘原来是这个推，上甘岭|退休干部返乡当义工：我的快乐就是老有所为|曰批全过程免费视频观看APP|极品美女污网站在线看免费|欧美性爱电影免费观看|日本欧美色
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
广西多措施改善患者就医服务 减轻民众就医负担
中国创新创业大赛颠覆性技术创新大赛在大连开赛 展示未来材料领域发展潜能
重庆姐弟坠亡案两名罪犯被执行死刑 母亲“心中石头终落地”
陈仓九龙山生态半程马拉松开跑 8千名跑者竞速醉美“天然氧吧”
“听劝的”理发师晓华走红 千年古郡湖南沅陵借势引客
广西龙州：中越边民共庆边关“春龙节”
时政快讯丨习近平将同法国总统和欧盟委员会主席举行中法欧领导人三方会晤
日媒：香港国泰航空客机与大韩航空客机在日本北海道机场相撞
农业农村部：二季度生猪市场形势有望好于去年同期
中国建设银行优秀县域支行巡礼丨陕西府谷支行
免费一级在线欧美在线
一级a啪啪不卡91
班长的真面目汉化版下载
超碰在线91在线精品
欧美强奸一级片
台湾一级黄片视频
自拍视频偷拍
色呦呦网站先锋
免费成年人在线视频
啊啊啊，不要插了
闽公网安备 35010302000113号