猫眼影戏
 |
|
猫眼影戏
万俊梅
手机审查
猫眼影戏记者 陈加弟 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：李宗瑞全集456
??01月05日,山西古建筑100问——全国仅存的唱经楼何以成为科举文化的最后见证？,
一是向导重视 ，组织有方。 举行全镇干部培训班是目今村级组织换届选举后举行的一项主要事情 ，是面临新时期、新形势和新要求作育高素质的农村下层干部的主要途径。上级党委对此很是重视 ，县委专门召开会研究安排此项事情 ，县委县政府相关部分向导在百忙中抽出时间给同志们来做专题向导。虽然 ，镇党委政府也十分重视这次培训事情 ，专门召开了党委扩大会 ，安排专人认真 ，落实专人授课 ，明确专人从事后勤包管事情 ，做到了早妄想、早安排、早落实。在两天的培训中 ，组织严密 ，秩序井然。
,初恋八卖的视频app下载。??01月05日,前5月湖南城陵矶口岸进口汽车1221辆 超去年全年进口量,
“奶娃 ，不可的话就卖给我吧 ，不然你肯定有危险。”精璧大爷提醒。
,国产区91在线无码,WWW少妇com,肏屄视频网。??时势2：狼友看片网址
??01月05日,横琴印发文旅产业发展扶持办法申报指南,
在已往的20xx年 ，作为公司的第二个十年的创业阶段 ，也是三五妄想的最先 ，凭证三五妄想中将置于市场经济及国家经济生长的阵势中来定位的要求 ，我们感应亘古未有的使命感和紧迫感。所制订的五年战略生长纲要定位是科学务实的 ，并且要求高 ，特殊是优化集团焦点营业 ，提炼企业的焦点价值观和文化 ，增强集团的焦点竞争力 ，增强品牌建设 ，要把加速资源化历程作为五年生长战略的焦点内容必需完成 ，从而使我们的团队真正分享到生长的绚烂效果。
,盗摄偷窥凸凸在线,一本一道久久a久久精品综合,30分钟激励短片视频素材。??01月05日,种一棵树，最好的时间是现在,
柳神甜睡 ，如一株通俗的枯木般 ，村人失去了呵护 ，心中憋郁而又难受 ，恨不得直接与对方大战一番。
,欧美成精品一级A片,免费一级a毛片免费,黄片在线整反视频。??时势3：www.szxlhealth.com
??01月05日,发朋友圈前，你会犹豫吗？,
三、重视交通清静教育。
,农村久久久受WWW免费人,久久精品福利网站免费,亚洲人成在线观看黄色。??01月05日,第三届“一带一路”青年发展高峰论坛在香港举办,
第二、作风问题解决欠好 ，损害党和政府的形象 ，影响经济生长 ，贻误小我私家生长。作风问题无小事。重视作风建设 ，是我们党的优良古板。党和政府在群众心目中的形象 ，很洪流平上是通过各级干部的作风体现出来的。干部作风歪了、形象坏了 ，群众就与你远了 ，你语言就没有招呼力 ，没人听 ，政府出台的步伐就无法在群众中获得贯彻落实 ，搞建设、效劳业就得不到强有力的支持。在招商引资事情中也是这样。招商引资需要一个好的投资情形。好的情形靠什么来营造?靠完善的制度 ，靠优质的效劳 ，归根结底靠宽大干部好的作风。干部作风不实 ，就会成事缺乏 ，败事有余 ，给投资客商造成卑劣影响 ，给外地经济建设带来重大损失。
,粉嫩小穴,凹凸视频黄色在线观看网站,日韩黄色视频。??时势4：www久久com
??01月05日,联合国秘书长对叙利亚严重事态发展深表关切,
现代交通的蓬勃虽然给人们带来了无尽的便当 ，但同时也增添了许多清静隐患。有人曾称交通事故为“现代社会的交通战争” ，交通事故像一个隐形的杀手 ，潜在在马路上期待着违章违规的人泛起。行走时的一次走神 ，过马路时的一次幸运 ，开车时的一次违章 ，仅仅是一次小小的疏忽 ，这一切都会使一个生命转瞬即逝。飞旋的车轮会无情地吞噬掉行人的生命。一经看过一则报道：“天下每六分钟就会有一人死于车轮底下”。这绝对不是危言耸听。凄切的事实再一次给我们敲响了警钟：“我们应当学会；ず米约 ，文明行车 ，文明走路”。在这里 ，王先生想给各人提几点要求：
,福利网站 黄,国产免费一级黄看片,色香蕉 导航。??01月05日,盐城盐都启动红色寻访行动：挖掘百里长河两岸铁军故事,
小不点轻叱 ，他历来没有气馁过 ，即便宝具强盛 ，他也无惧 ，依然在运转原始宝术。
,毛片第一区在线网站,偷拍欧美视频,一级在线免费观看视频。责编：李孟芳
审核：巴勒斯坦法塔赫
责编：张掖路
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
