猫眼影戏
 |
|
猫眼影戏
王敬迎
手机审查
猫眼影戏记者 贺占举 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：黄色视频性爱
??01月05日,部分1分起投 理财产品申购门槛调整,
20xx年上半年，凭证党中央的统一安排，在教育部党组和北京市委教育工委的统一直导下，我校在全体中开展了学习实践科学生长观活动，围绕“科学生长，破解难题，强化特色，建设一流”实践载体，周密安排，全心组织，务求实效，稳步推进学习实践活动各阶段各环节的事情。在活动时代，施建军校长到任，学校新一届向导班子进一步统一头脑、理清了科学生长的思绪，明确生长战略，在怎样建设特色鲜明高水平大学的一系列重大问题上形成了特色生长、内在生长、科学生长、现代化生长四大基本共识。针对学校生长保存的一些突出问题，着力完成了推进学校事业生长的“七大工程”、“二十项实事”，获得了全体师生的普遍认同，受到教育手下属高校深入学习实践科学生长观活动向导小组的表扬。各人一致以为，学习实践活动资助全体师生统一头脑、形成共识，学校进入了历史上最好的生长时期。召开党的第十一次代表大会的时机已经成熟，通过准备召开党代会，我们要把学习实践活动中对学 ？蒲ば纬傻墓彩缎唇谑淮蔚炒，写进我们未来的战略生长妄想和事情思绪，要把已往近五年党建事情、党的下层组织建设的一些好做法、好履历通过召开党代会形生长效机制。
,国产流出。??01月05日,陕西：以检察履职支撑特殊群体权益保护,
刚刚已往的20xx年里，学校教育教学取得了一定的效果，校容校貌爆发了很大的转变，全体同砚在各方面都取得了不小的前进，取得了一些效果。全体西席体现出了事业心强、扎实勤劳、锐意进取、敢于立异、勇于实践的精神状态。20xx年，新的学期又最先了，面临新学年新的使命、新的挑战，我们要越提议劲。新学期中，我们每一位先生都怀着重大的瞻仰期待着你们在阳光下康健快乐的生长，希望你们长得更高、变得更懂事。俗话说：“优异的起源即是乐成的一半。”新学期开学了，我相信同砚们一定会满怀信心走向乐成。怎样争取有一个优异的起源呢?在这里，我向同砚们提议：
,操屄A片,久久久久久久国产,日韩二区免费。??时势2：国产 中文 制服丝袜 另类
??01月05日,开年看一线｜铁路部门护航煤炭运输 守护万家“烟火气”, 路透社称，荷兰国防部在一份声明中体现，荷兰“特龙普”号护卫舰其时正在东海执行使命，两架中国战机在护卫舰上空盘旋数圈。别的，该舰的舰载直升机NH90在巡逻时也遭到中国战机的迫近。荷兰国防部宣称，“事务爆发在国际空域”“中国战机的做法造成了潜在不清静情形”。,陆雪琪3d同人在线,精品成人网站一区二区三区哔咔漫画,色秘 一区二区三区在线男奴。
??01月05日,“链式”送工服务助力破解企业用工“燃眉之急”,
作为西席，我们早已做好准备，我们愿倾我们所有，全力以赴。由于选择了这个职业，就注定我们的梦想声誉都与你们连在了一起，你们是幸福的，我们就是快乐的，你们是前进的，我们就是欣慰的，你们是乐成的，我们才是优异的。
,一级做a影片a在线视频中文字幕,www.199麻豆🔞🍆🔞盘点2025最新官方版下载,拖 摸 網站。??时势3：91国自产拍 精品
??01月05日,2024全球首发节时尚美妆专场启幕 打造“美丽经济”,
学分制刷新不但仅是各教学单位的事情，它是一项牵涉到各方面的系统工程，离不开学校各部分的起劲配合和支持。推行完全学分制后学生事情、人事事情……都将面临新的挑战，这些部分应该从现在就最先妄想本部分顺应学分制的刷新步伐，争取在*年9月前形成一套完整的治理步伐。
,国产视频9999,久久 免费视频精品,嗯啊～自慰调教喷潮h。??01月05日,国际人士分享新疆之旅：多元文化令人神往,
4.不私自下水游泳;不到河滨、池塘、水库周围嬉戏;由于已经处于夏日，假时代经常有雷雨、暴雨，同砚们不要在雷雨时逃避于树下、电线杆下或其他容易引发雷电击伤的地方。要注重行走清静，不抄近道，不走水库边、池塘边、壕沟边的泥泞小道，不骑自行车。
,ass精品国模裸体pics,黄色网站日人,欧美日韩免费高清视频在线播放。??时势4：无码日韩三及啪啪
??01月05日,年终奖是必须有的吗？律师解读,
大虫惊慌，急遽仰面，喷出霞光，以符文对抗。
,国产人人操人人看,吴艳妮被 c 黄扒衣服电影,Feer XXX 漫画。??01月05日,习言道｜推进高质量共建“一带一路”行稳致远,
接待您加入嗨喽旅馆开业庆典!
,污污污午夜福利18禁,国产超清爽推理电影,嗯～进去～好大～好满动漫。【（新春走基层）舟山春节启动“海岛快巴”通航 直升机航线保障春运出行】
责编：李添胜
审核：杨煜卿
责编：孙远国
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
