猫眼影戏
 |
|
猫眼影戏
朱云
手机审查
猫眼影戏记者 程建国 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：高清免费的毛片
??01月07日,好莱坞无法回应观众所渴望的新表达,
凭证今年我县干部教育培训妄想安排，由县委组织部、县委党校举行的全县村干部培训班今天正式开班了 。
,久久资源站 。??01月07日,四川、重庆两地首次开展森林火灾联合应急演练,
“决一死战吧！”小不点喝道，虽然面庞稚嫩，可是战意高昂，气焰壮盛 。
,九九国产爱综合,中文字幕在线网页播放,黄色视频免费大全最新 。??时势2：曰本孕妇孕交
??01月07日,太原汾河湿地迎来越冬白鹭,
“大人，不是我命人做的！”管事吓到颤抖，噗通一声跪在了那里 。
,胡秀英怀孕大肚子生宝宝第几集,昨天14:40cc奶尤至尊微博 长屌爆操女人视频 玩,又粗又长又黄的操逼网站视频 。??01月07日,外交部：BBC妄言新疆番茄采收存在“强迫劳动” 是典型的双标,
第四，加速城镇化历程，是应对区域经济强烈竞争的有用步伐 。都会是区域经济的主要增添极和主要载体，其吸引和辐射作用决议着区域经济社会生长历程 。目今区域之间的竞争，在很洪流平上体现为中心都会实力的竞争，体现为城镇群体的竞争 。从周边市县来看，各地都把推进城镇化作为提升区域经济竞争力的战略行动来抓，倾力举行打造，特殊是原先事情较为落伍的西峡、淅川、内乡等县城镇化建设的效果特殊显著，可以说是日新月异、面目大变 。我们毗邻的湖北省襄樊市已列入湖北省区域性副中心都会接纳超通例步伐，强力培育，加速生长 。这给我们带来了重大的压力和挑战，我们必需驻足自身特点，捉住机缘，化解矛盾，应对这一强烈的区域竞争 。特殊是要鼎力大举实验中心城区发动战略，尽快把县城做大做强，发动重点镇、小集镇和中心村的生长 。
,免费一级持黄网,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,黄av看资源网站入口 。??时势3：暴躁老阿姨csgo图片高清
??01月07日,塞尔维亚选手丹尼洛维奇夺得广网女单冠军,
拥抱阳光;放飞梦想;追逐阳光，享受快乐;播种阳光，收获乐成 。让我们用阳光般的言行去践行小学部的办学理念：阳光六年，幸福一生!
,99国产精品久久一区,操逼网视频,黄色视频免费在线网站 。??01月07日,坚持互信互利合作，中国不仅是倡导者更是行动派,
第二，强化决议落实，充分验展好催促检查作用 。 为政之要，重在落实，抓落实是党委办公室的主要使命之一 。各级党委办公室要围绕党委中心事情，健全抓落实的机制，明确抓落实的责任，形成抓落实的协力 。抓落实要把大事抓细、小事抓实，确保事事有着落、件件有回音;抓落实要考究方法要领，阻止重复抓、多头抓，对统一问题要选准切入点，捉住要害，加大推进力度;抓落实还要善于发明决议推进历程中的不落实问题，深入开展督查，敢于动真格，敢于“拔钉子”，做到问题不解决不放过、责任不追究不放过、群众不知足不放过，真正督出权威，督出实效 。
,欧美做受 出浆,国产一级毛片又粗又黄又硬下载,免费在线黄色网站日本 。??时势4：国产久2019免费
??01月07日,浙江台州今年首批出口杨梅发往新加坡,
为首的女子白衣如雪，漂亮出尘，秀发黝黑而柔顺，如绸缎子般平滑，莹白的瓜子脸上并无主要，水灵灵的大眼望向山脉深处，道：“距离这么远，它不应该发明我们才对 。”
,男女操屄视频,尤物在线看,俄罗斯18XXOO在线 。??01月07日,中国出境游进入预订高峰 “新马泰”旅游热度提升,
与这样一头恐怖的魔禽后裔硬撼，肯定会损失惨重，唯有用村中祖传下来的古老宝器震慑，才有可能惊退它 。
,在线激情视频小说,群 免 费看,美女91一起c 。责编：张付坚
审核：辛克利
责编：梁武帝
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
