猫眼影戏
 |
|
猫眼影戏
白文华
手机审查
猫眼影戏记者 文胆 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：欧美激情.com
??01月08日,今年首批澳洲车厘子飞抵西安,
这是在催动血精，他起劲化形出一头巨蛟，竟是徐徐从他的脊背中挣脱出来的，盘在这片山地上，看起来情形恐怖 。
,国产第一页福利影院 。??01月08日,不折不扣抓落实,
六是要在勤勉清廉上实现新突破，让干部越发“有威信” 。 清廉勤政是对干部的基本要求 。只有勤勉清廉的干部，在群众中才会有威信 。 一要苏醒律己，算好人生“六笔账” 。 第一要算好“政治账”，因小利葬送政治生命太不值得;第二要算好“经济账”，因贪欲损失正常收益太不划算;第三要算好“信用账”，因糜烂弄得身败名裂太不明智;第四要算好“家庭账”，因违纪毁了完满家庭太不应该;第五要算好“亲情账”，因贪污玷污亲人信用太过残忍;第六要算好“自由账”，因犯法失去自由价钱太高 。 二要慎行律己，净化“社交圈” 。 事实批注，一些干部一步步陷入违纪违法的泥塘，往往都是从“社交圈”最先的的 。为政之道清似茶，正人之交淡如水 。干部结交必需讲原则 。权力与友情之间有一条不可逾越的鸿沟，若是逾越了这条鸿沟，不但会毁了友情，并且会害了自已 。 三要防微杜渐，守得住小节 。 对干部来说，小事小节并不小 。 要谨防“一念之差”，在小我利益与整体利益、妄想享受与艰辛斗争、养尊处优与甘于贡献等选择眼前，避免一时糊涂进错门、走错路 。面临形形色色的外界诱惑，万万不可松开警戒，要守住头脑堤坝，忍得住清苦，耐得住寥寂，守得住小节 。
,污黄色片99精品人人操人人插,玖辛奈被扒开腿做,538欧美视频在线一区二区 。??时势2：亚洲AV无码一区二区三区桃色
??01月08日,上海二中院一审公开宣判被告人姜文华故意杀人案,
??01月08日,习近平：中国式现代化，必将为世界发展带来新的更大机遇, 记者视察发明，受商业利益驱使，一些研学机构会将大凉山的孩子包装为“追求支教先生的学生”，并借此推出“7天收费万元就能拿到自愿者公益证书、墟落助学研学报告”的研学项目 。,美女扒开下边喷水黄网站,日批免费视频在线观看,精品无码在线网址 。
??时势3：ph破解版免费版
??01月08日,广西启动防汛四级应急响应 突出临江沿河、软基等路段巡查,
20年，是1111公司自建设以来谋划总量大幅度提升的一年，也是公司内部治理逐步走向规范化和制度化的一年 。一年来，在公司董事会的准确向导下，在全体员工的艰辛奋战下，公司全体员工牢牢围绕年头董事会确定的斗争目的和事情思绪，以产品订货、产品研发、手艺立异、教育培训、节能降耗和6S治理为事情重点，逾额完成了年头董事会决议确定的各项谋划指标，将公司跳跃式生长的速率和高度推向了一个热潮 。
,亚洲天堂精品视频一级黄片,欧美黑人A片,㓜交videos乱叫娇小HD 。??01月08日,对外贸易持续回稳向好——中国经济首季报亮点之五,
石飞蛟等上前，揉了揉他的头发，又捏了捏他那像红苹果般的小脸，都以为很有意思 。
,欧美性交一级黄片,陆雪琪3dmax动漫在哪看,美女黄网站色视频免费网手机版 。??时势4：国内乱色视频精品
??01月08日,澳门单牌车有望经横琴驶入广东其他区域,
随后，他转头看向石林虎等人，道：“我们不惹事，但也不怕事 。日后小心预防，若是他们得寸进尺，该怎么做你不要犹豫！”
,王者荣耀公孙离去小内没有小爱心,黄色网站,啪啪啪,天天色色 。??01月08日,让“科普场馆热”持续升温,
“不太对劲，不可能每一小我私家都在藏拙吧，怎么感应不到真正强者的符文气机？”
,成年人午夜福利视频导航,国产啪视频免费视频观看视频,全部古代免费黄片视频 。责编：朱雯祎
审核：邵志同
责编：丹尼尔·瓦格纳
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
