猫眼影戏
 |
|
猫眼影戏
公则民
手机审查
猫眼影戏记者 戴岚岚 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：又大又粗又硬又爽一区二区视频
??01月07日,山东探索湿地资源化利用 邀民众共享生态“红利”,
??01月07日,青海海西探索盐化工产业质量基础设施集成服务新机制,
小不点握紧拳头，此后快速跃起，背后泛起一对金色神翅，虽然没有冲上高空，可是双脚也险些离地而起，迅速冲向祭灵的栖居地 。
?第一百八十一章 鲲鹏,精品妇女一区二区三区,www.99riav.125,www.199麻豆🔞🍆🔞盘点2025最新官方版下载 。??时势2：97碰碰,巨乳中文,中文字幕欧美精品
??01月07日,（经济观察）推动全球重建信任 中国再释“定心丸”,
三是把好选民挂号关 。针对我镇村民流动性大的现状，为确保村民的选举权和被选举权，我们要求各村村民选举委员会在充分思量户籍归属、民事能力等情形的条件下，认真做好选民的资格审核事情，严酷做到不重登、不错登、不漏登，并在正式选举日前20天宣布选民名单 。
,chinese猛男深夜爆c国产,色呦呦是什么,激情小說圖區 。??01月07日,新版国家医保药品目录公布 为什么“天价抗癌药”CAR-T未入选？,
坚持县城、重点镇、小集镇良性互动，一直加大投入，完善城镇功效 。去年以来，城镇建设累计投入资金3?84亿元，是历年来最多的一年 。其中，城区投入资金1?23亿元，完成了滨河路、大桥路、西环路、政府街、汉城路整修、扩通等10项重点工程 。白河新区建设希望顺遂，已具雏形;以金府街为标记的老城区刷新最先启动，都会功效一直完善 。拆迁事情扎实推进，整年城区拆迁面积达2?3万平方米，赔偿金额达1907万元，是历史以来效果最好的一年 。村镇建想程序加速，去年共完成了7个州里的妄想修编;累计投入小城镇建设资金9500万元，基础设施获得配套完善;新甸铺、歪子、沙堰、王庄4州里进入全市50强镇，起源形成了以县城为中心，以重点镇为支持，以建制镇为骨架，结构科学、功效完善、特色鲜明、协调生长的城镇系统 。
,ph破解版安装,www..a4ss.com,欧美综合自拍亚洲综合图片区 。??时势3：欧美网站入口
??01月07日,【这个城市有点潮】上海：老街、弄堂里寻绚烂“繁花”,
数日后，百族战场传来新闻，那头成年貔貅摧枯拉朽，浴血而狂，横扫众多战场，无人是其敌手 。
,中文字幕丝袜无码有码在线,尤尔哈2b的爆乳约炮裸装露胸不穿衣服,国厂精品一区XXX 。??01月07日,中央环保督察通报：贵州省安顺黔西南黔东南等地部分矿山开采破坏生态,
在中学部，有营业精湛，教学履历富厚，德高望重，教学态度一丝不苟的七年一班班主任宁淑梅先生；有教法无邪，年轻有为，夷易近人，和学生打成一片的七年二班班主任李艳萍先生；有敢说敢管，雷厉盛行，一心扑在教学上的七年三班班主任张大勇先生；有平和可亲，兢兢业业，无私贡献的七年四班班主任王怡辉先生；有治学严谨，敬业老练，身教胜于言教的八年一班班主任闻洪敏先生；有不辞劳怨，脚扎实地，起劲进取的八年二班班主任顾文坚先生、八年三班班主任李立新先生，可以说举不堪举 。
,特黄特色大片一区二区,特级操逼片,我和子的乱视频 。??时势4：小心 入
??01月07日,第四届网络空间内生安全学术大会举办在即,
它迅速转身，此后猛的一跃，直接向着小不点扑去，这可是一头数十米长的庞然大物，这若是击中，必是山崩地裂 。
,亚洲精品黄色网站,榴莲_re2.0-1.apk17.5,我要久久黄色视频 。??01月07日,一些药贩子“高价收药”，诱导参保人参与药品买卖,
1.全体西席要勤学习、勤思索、勤事情，爱岗敬业，勇挑重担，敢于认真，勇于争先，围绕教育教学质量，听从阵势讲团结，忠诚事业讲贡献，驻足本职比孝顺 。通过师德师风建设为重点的西席步队建设，扎实落实作育和学习制度，形成肯受苦、爱学生、爱学校的西席步队 。要施展课堂教学主渠道作用，以大面积提高学生效果为突破口，全力实验高效课堂，牢靠树立质量意识，力促学校教学质量的周全提高 。
,把初中生按着c到失禁视频,白丝黄色视频,肖雅婷的脚 。责编：任天佑
审核：林德
责编：庞连玉
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
