猫眼影戏
 |
|
猫眼影戏
洛特兹
手机审查
猫眼影戏记者 于未然 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：赫敏大胸被揉到失禁视频
??01月05日,四川甘孜州：稻城亚丁牛奶海如蓝宝石镶嵌群山,
(十八)落实安防要求 ，强化清静治理 。各银行业金融机构要凭证划定开展安防设施建设 ，切实提高科技化、智能化治理水平 。各级羁系机构要会同公安机关增强对安防事情的指导、检查 ，催促银行业金融机构落实各项安防要求 ，建设平安型银行 。
,人妻丰满被色诱中文字幕 。??01月05日,海南省委常委、海口市委书记罗增斌接受中央纪委国家监委纪律审查和监察调查,
开学事情安排：
,男人扒开女人的腿桶到爽视频,猛男GayGay 无套beat,雷电将军 黄网站2d 。??时势2：正在播放亚洲一区二区精品丝袜无码高级
??01月05日,2025春节机票搜索量暴涨2.2倍 除夕当天多条航线经济舱全价,
紫云俯冲下来 ，在干枯的湖底上方盘旋 。小不点手臂发光 ，成片的符文泛起 ，洒下一大片光雨 ，落向那只生灵 。
,沟沟人体,国产亚洲精品系列,伊人久久综合色 。??01月05日,“2024北大报告”发布2024年度文化产业十大趋势预测,
三是要增强法制看法和群众看法 。农村干部不学法 ，不懂法 ，就不知道怎样生长农村经济 ，不知道怎样搞好下层民主法制建设 ，就无法真正维护群众的基础利益 。因此 ，各人平时就要通过自学 ，对《村民委员会组织法》、《民法通则》、《物权法》、《农村土地承包谋划法》、《法》等基本常用的执律例则有所相识和掌握 ，做到依法行政 ，依法效劳 ，起劲学会在新的历史条件下做好群众事情的新要领 。
,久久强奸视频,XxXxVIDeos绝顶高潮,caoporn视频 。??时势3：国产嫖妓精品视频导航
??01月05日,后厨直播不应沦为摆设,
人生的理想是人生生长征途的梦想 ，是人生旅途中的指南针;确定了人生的理想 ，同砚们的生涯就会循序渐进、有条不紊;有了人生的梦想 ，同砚们的学习就有了斗争目的 ，就有了精神动力 。人生的理想是一台发念头 ，它会促人奋进 ，起劲学习;没有人生的梦想 ，就像一艘没有航标的汽船 ，在大海中航行就会迷失偏向;也就像一只没有听觉的蝙蝠 ，它不可傲游太空 。这以上充分体现了树立高尚理想、追逐梦想的主要性 。
,欧洲性大A级一级毛片免费视频,杨钰莹奶头全乳露出,库拉拳皇本子 。??01月05日,东航江苏公司启动空乘招聘考试 “00后”应聘者接近4000人,
虽然 ，鸟爷、锤叔、精璧大爷这些称呼都是小不点强行加给他们的 ，让几人愤愤 ，但也无可怎样 。
,欧美偷窥性爱,美女无内衣内裤黄色软件,办公室秘书nylon丝袜 女性 。??时势4：美女网站操视频
??01月05日,（乡村行·看振兴）山西五台：学用“千万工程” 绘就乡村振兴新画卷,
二是要把“事情法”作为主要学习内容 。做任何事情都要考究要领 ，要领适当就会事半功倍 。州里事情更多的是抓落实、抓详细 ，掌握和运用科学的要领十分主要 。之以是能成为天下著名的优异州里党委书记 ，主要靠两条 ，一是一心为党、苦干实干、矢志贡献的难堪精神和高尚品行 ，二是驻足现实 ，善于思索 ，勇于立异 ，在恒久农村下层事情中探索和实践了一套增进科学生长与协调稳固的州里党委事情法 ，即“事情法” 。最近 ，吴邦国同志、同志等中央向导作出主要指挥 ，要求创立性地学习推广“事情法” 。在中组部9月14日举行的第一期天下新任州里党委书记树模培训班上 ，李源潮同志要求各地要连系外地现实 ，创立性地学习和运用“事情法” 。 我们要把“事情法”作为学习的主要内容 ，相识和掌握“事情法”的焦点内容和事情要领 ，把党和政府的要求与黎民愿望很好地连系起来 ，通过科学治理、立异要领 ，有用地提高下层政权的执政水平和群众知足度 。
,榴莲_re2.0-1.apk17.5,日韩 欧美 人妻 制服,做爰XXXⅩ性生交 。??01月05日,外媒：乌克兰全境发布空袭警报 ,
“这些鼎似乎不凡啊 ，通常你们做什么用？”来自罗浮大泽的中年人蛟苍启齿问道 。
,机机对机机30分钟视频免费观看,人人操人人做人人爱,人人曰人人操曰 。责编：揭娱圈
审核：摩根森
责编：银燕
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
