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！
《欧洲国产在线》，《Q8X2R7L1T4J5M9B6W3》久99热
“性黑人大战欧美黑白配”
国产亚洲伊人
……
01月05日
“beatbox笔盒”伪素颜睫毛
↓↓↓
01月05日，四川峨眉山市发生一起交通事故致3死2伤，叶山小百在线观看免费版中文版，激情小说激情图片激情四射激情理论，人人操人人网站，可以在线观看黄色视频的网站
01月05日，香港9月出口货值同比升4.7% 连升七个月，那里可以看毛片，久久久亚洲，我福利网站在线观看，91欧洲在线视精品在亚洲
01月05日，云南三所乡村小学合唱团新年初啼 唱响“田埂上的童年”，在线观看zd，91se永久，4455日本永久免费高清视频，很黄很污的网站
01月05日|专精特新企业营收保持较快增长|国产黄色精品视频|先锋玖玖在线国产精品|欧美视频色色|安姨老逼视屏
01月05日|直击武警福建特战队员考核现场|国产日韩欧美一级黄|田中宁宁演的作品免费观看|a欧美精品|国产欧美一区二区久久
01月05日|海南三亚出现强降雨 全市中小学幼儿园停课|国产AV黄片一区|黄游触摸甘羽|视频一区二区精品区免费|2019年一级黄片……
01月05日，大连新机场命名为大连金州湾国际机场，在线丝袜麻豆国产欧美激情，26uuu欧美亚洲日韩另类，亚洲人成网站在线观看播放不卡，久久一级黄色片
01月05日，台湾青年列席福建政协会议 参与感提升，美女裸体 开腿挠痒痒，欧美大片在线观看视频，欧美老年性爱视频免费看，欧美双飞一区二区
01月05日|外交部：中非合作论坛峰会是中国近年来举办的规模最大、外国领导人出席最多的主场外交|女教师用 夹我的 作文|玄兵大战倾辛视频在线观看|欧美日韓国产草草影院|伊蕾娜光腚图片
01月05日，（巴黎奥运）走进法兰西体育场紫色跑道，千分秒之差何以呈现？，国产黃色A片在线播放，欧美最乱淫视频，多杏TV，日韩最爱视频在线观看
01月05日，【巴黎奥运会】潘展乐：希望国家的运动员梯队能够建设起来，72式免费一级A片视频，在线播放鲁鲁管，初高中生国产精品，亚洲AⅤ中文字幕色
01月05日，山西大同：国内外航模高手竞逐蓝天，小仓由菜AV潮喷大喷水系列，欧美性爱777，中文字幕 国产精品 自拍视频，91福利国产在线观看网站
01月05日|被拜登攻击曾在美国“非法工作” 马斯克发文回应|久久国产精品毛片|99精品久久精品在免费线18|黄人成A片免费观看网站|又爽又色网站
01月05日|“五一”假期 南京夫子庙景区游人如织|亚洲α级免费|打开B站看片|成在线人视频免费视频|无码不卡A片出奶水免费视频
01月05日|CBA焦点战前瞻：青岛浙江新生代顶级内线将对决|国产手机在线精品|娇喘淫爆草流水白浆小说|四虎网站|吃奶一区二区
阿黛尔自曝一只耳朵暂时失聪，滕哈赫继续执教曼联|河北开展“城市生命线保障·2024”应急演习|欧美性爱亚洲色图影视|sps8sp普通路线|别了91|操操操操操操
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
“潮动三月三·民族体育炫”2024年全国跳绳联赛（广西北海站）顺利举行
哥伦比亚宣布全国进入自然灾害状态
今晚对阵黎巴嫩 想出线的国足没有退路可言
江苏无锡出台国内首部和美乡村建设地方性法规
打造“佛山之心” 迈出城市中心“全域中心化”新步伐
“跨越万里·华岩寺非遗澳大利亚展”在悉尼开幕
内蒙古首列“本地”国产商品汽车中欧班列启程
社会救助体系建设取得新突破
第八届全国科技馆辅导员大赛全国总决赛举办 50个项目获一等奖
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
日韩少妇喷奶水A片无码视频
久久久久久久久久久久久久久福利
日本性爱网站
AI唐嫣无码精品全部
Av性色
插进成年女性的下体视频
国产乱码精品一区二区三区久久
男女啪啪流水视频
张柏芝荫荫毛泬HD
高H走光系列
闽公网安备 35010302000113号