猫眼影戏
 |
|
猫眼影戏
钱柳伊
手机审查
猫眼影戏记者 黄东升 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：www无夜三级片
??01月04日,乒乓球混团世界杯拥抱“粉丝经济”,
“好漂亮的景致！”一群孩子受惊事后 ，又都惊讶了起来。
,别揉我奶。??01月04日,首次公开！侵华日军731部队再添新罪证,
青春是短暂的 ，由于谁也无法留住时光流逝的脚步;青春更是永恒的 ，由于青春与祖国同在 ，与事业同在。我们相信 ，在市委的顽强向导下、在全社会的体贴支持下 ，上海共青团和全市团员青年一定会高扬“五四”的伟大旌旗 ，一直斗争拼搏、一直开拓立异、一直贡献进取 ，为中华民族的伟大再起、为上海的优美未来 ，作出无愧于党、无愧于先进、无愧于时代的新的更大的孝顺!
,把蕾丝学姐c到高潮,sanji91. com,男人扒开女人的腿桶到爽视频。??时势2：99视频在线观看免费
??01月04日,习近平向第15届伊斯兰合作组织首脑会议致贺电,
(二)新型城镇化是内在式生长的城镇化。从天下规模看 ，已往的城镇化纯粹追求都会建成区面积的扩张 ，形成了“摊大饼”式的生长模式 ，特殊是走了一条优先生长特大都会的路子 ，引发了城镇化生长中许多社会、情形等方面的突出问题。走新型城镇化蹊径 ，要求我们必需走内在式生长的路子 ，也就是说 ，不是都会建得越大越好 ，也不是生齿群集得越多越好 ，而是要做到人地相宜、人城相宜、人业相宜 ，既要扩大都会生齿的规模和总量 ，同时又要做到基础设施和都会生涯相匹配。张掖的都会化怎样实现内在式生长呢?首先得有生齿规模。没有生齿规模 ，资源和效益都很难施展出来。在都会经济学上有一个测算数值 ，生齿在10万人以上 ，都会就最先爆发净值收益 ，并且生齿数目越大 ，净值收益率越高 ，凌驾100万人以上 ，净值收益率就会下降。张掖现在恰恰缺10万人以上的都会 ，除甘州区外 ，其它县区的都会生齿都缺乏10万 ，要爆发净收益 ，我们加速内在式生长就是要把都会规模做大 ，让都会能够自己养活自己。内在式生长还要求我们做到集约、节约使用水和土地等种种都会要素资源。集约化生长就是怎样用更少的土地爆发更大的效益和价值。天下上公认的两个最好的都会香港和纽约 ，恰恰都是生齿密度最大的都会 ，乐成之处在于疏密连系 ，私人空间标准相宜 ，但公共空间标准很大 ，土地面积不大 ，但有限土地的使用率和产出率很高 ，不但有群集功效 ，并且相宜人居。而我们的都会相反 ，往往该疏不疏 ，该密不密 ，既有严重铺张土地的地方 ，又有拥挤不堪 ，生涯很不利便的区域 ，不管老城新城 ，所有楼盘都带商业 ，功效混搭。中央提出的新型城镇化要求我们必需要集约和节约地使用资源 ，走好内在式生长的路子。
,英法r18车长,日本AAAAAA一区二区三区免费,欧洲尤物美女性爱精点视频免费看。??01月04日,习近平同法国总统马克龙、欧盟委员会主席冯德莱恩举行中法欧领导人三方会晤,
同砚们 ，中学时代是人生的黄金时代 ，是人生最名贵的时光。现在正是丰收的季节 ，倘若没有春天播种的希望 ，没有炎天耕作的辛勤 ，有哪来秋天的累累硕果呢?希望同砚们珍惜名贵的时光 ，受苦学习 ，艰辛斗争 ，苦练成才。
,亚欧综合黄色视频,女女同性被 吸乳羞羞,一本到高清无码不卡。??时势3：国产夢呦精品
??01月04日,习近平同法国总统马克龙、欧盟委员会主席冯德莱恩举行中法欧领导人三方会晤,
“年迈哥 ，你怎么不讲原理？”小不点上前 ，张开小手臂 ，拦在了前方 ，他同蛟鹏交过手 ，知道他的厉害 ，怕他伤到二猛与鼻涕娃等人。
,欧日韩黄色日逼视频,91各种熟女,人人插人人摸人人搞。??01月04日,（粤港澳大湾区）珠澳共建老年教育联合办学点,
一条河从村前流过 ，时时有大鱼跃起 ，身上的金色鳞片闪动绚烂 ，激起一片片浪花。不远处尚有一个湖泊 ，碧蓝清亮 ，一群羽翼鲜艳亮丽的大鸟正在悠闲的踱步 ，每只都有两米多长 ，流动霞光 Ｉ杏幸蝗憾澜鞘 ，银辉闪灼 ，在湖边饮水。
,黄片al区一区二,性爱网页,a片网站免费在线观看视频。??时势4：www.91精品在线
??01月04日,教育部：加强中小学人工智能教育,
村级组织换届后 ，一大批头脑作风好 ，事情能力强 ，文化知识渊 ，为民效劳勤的同志走上了村级向导岗位 ，使村里向导班子越发团结 ，干群关系越发亲近 ，民主治理越发规范 ，为增进村里进一步生长涤讪了扎实的基础 ，但我们也注重到 ，个体村在换届后给村级组织建设带来了新的情形 ，为此 ，我们要以这次培训班为契机 ，进一步增强农村下层组织建设 ，为建设协调东城提供强有力的组织包管。
,99久久国产免费这里只有精品,女人被操视频污的,国产AV精久久。??01月04日,全是科技感！！台湾大学生“闯”小米Su7工厂，开走无人驾驶汽车？,
“霹雳”一声 ，假山坍毁 ，将他埋在了下方 ，烟尘冲起。
,98超碰在线观看,www.ick6.com,日韩欧美性爱视频在线观看。【我国最大海上智能油田群日产量创新高 海上智慧油田建设提质升级】
【山东青岛：外国友人体验新春文化 共享中国年味】
责编：欧莱利
审核：特沃德罗斯·阿达诺姆
责编：萨克雷
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
