猫眼影戏
 |
|
猫眼影戏
孟克
手机审查
猫眼影戏记者 陈平 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：日韩欧美在线视频 一区
??01月04日,2023年浙江经济总量迈上8万亿新台阶 经济大省何以勇挑大梁,
??01月04日,度小满CEO朱光：推理大模型在金融领域的应用将从外围场景深入到核心业务,
其次，要树立准确的政绩观。作为农村事情最前沿的村干部要树立准确的政绩观，弄清晰为谁树政绩、怎样树政绩和树立什么样政绩这三个实质性的问题。为谁树政绩，就是要为党立功、为国着力，归根结底是为民造福。怎样树政绩，就是要坚持科学的生长观，形成准确的生长思绪，依赖群众，开拓进取，求真务实，艰辛斗争，用本领与实干创立政绩。决不可靠投契取巧、竭泽而渔去获取政绩。树立什么样的政绩，就是要树立周全、协调、可一连生长的政绩，树立获得群众公认、经得起历史磨练的政绩。应该肯定地说，现在我区的村干部在树立准确政绩观方面总的是好的，但也确实保存着一定的问题。有的体现为“急躁”，个体村干部由于长时间从事村里事情，爆发惰性，处置惩罚事情往往是搪塞了事;有的体现为“浅陋”，“拍脑门”想事情、效劳情;有的体现为“夸诞”，弄虚作假、搞“数字政绩”，等等。这些问题势必阻碍周全建设小康社会的生长，势必危害党的形象和威望，必需坚决加以纠正。宽大村干部要树立准确的政绩观，必需坚持用“三个代表”主要头脑武装头脑并指导 实践，这是树立准确政绩观的要害所在;必需坚持以科学的生长观为指导，这是树立准确政绩观的主要条件和基础;必需坚持“为民”头脑，自觉将政绩接受群众的磨练和评判，这是树立准确政绩观的起点和落脚点;还必需鼎力大举弘扬求真务实的精神，坚持一切从现实出发，按客观纪律效劳，尊重实践，尊重群众，讲真话、务实事、求实效，这是准确政绩观的实质要求。我们村干部只有真正树立起准确的政绩观，才华获得宽大人民群众的拥护，才华实现致富奔小康的目的。
,在线观看AV的网站,日本公妇手机在线观看免费,名模abb游戏大全。??时势2：在线看黄免费不卡
??01月04日,海南商发一、二号工位将各具备年16发发射能力,
今春少雨，天干物燥，很容易引生气灾的爆发。因此，为增添全民的消
,永久免费色色网站,综合视频区,黄片三级片在线观看。??01月04日,突发！日本岐阜县7车连环相撞 致12人受伤,
至于怎样优化教学，怎样指导学法，列位先生都是行家，各人已经做得很好，必将会做得更好。
,亚洲欧美人妻性爱视频,538免费在线视频,麻豆av一级黄片。??时势3：数学课代表说不能在深了
??01月04日,带着梦想“舞”进北京：台青简孟轩的街舞打拼记台湾10月消费者信心指数转降 专家：注意AI泡沫化风险,
许多人在思量，是不是也去效仿。但效果又都摇头，谁能如皮孩子这般逆天，一小我私家战四族强者，逐一击败，战绩犹如神话般！
,毛病是骚逼毛病,操逼骚逼,毛病,操逼,毛病操逼,毛片,操逼,毛逼,操逼,操逼我边,美女AAAAAA一级,国产特级精品毛片视频。??01月04日,中央气象台：未来一周冷空气活跃 气温多波动,
今天来加入培训的都是新一届村居干部，既然大大都群众相信你们，把你们选到村居干部的位置，你们就要全心尽责，对宽大群众认真，起劲认真地做好村居的各项事情。下面我强调几点希望和要求。
,在线激情,亚洲一区二区三区中久无码,神乐桃果在线。??时势4：欧美一级在线大片
??01月04日,F1中国大奖赛：车迷观赛热情高涨,
任何事物都有两面性，人类若是欠好好使用它，就会造成严重的损失。每年，有几多因由为火灾造成的严重事故?又有几多性命丧这熊熊大火的魔爪下?消防清静人们总不重视，这还缺乏以给我们一个忠言吗?
,神里绫华焯出白水该如何处理,舔美女屁眼的视频一区二区,小县城妹子的表演视频。??01月04日,中外艺术家齐聚河北 共探艺术与科学融合,
火灾电话119恰恰与国际消防日11月9日的月、日数字相同。今年11月9日是国际消防日，今年的主题是关注消防，珍爱生命，共享平安。
,影音先锋5566熟女,我使劲挺进了她的下身视频,欧美99久久无色码中文字幕。责编：阮成武
审核：金东
责编：比利·霍斯
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
