首页
下载APP
首页
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！
《激情视频在线网》，《Q8X2R7L1T4J5M9B6W3》成人a电影
“孟若羽与黑人演的叫什么”
新疆totak和mofos的关系
……
01月04日
“久久久久久免费无码专区”我为什么爱找女发型师
↓↓↓
01月04日，广东高院发布“促进新质生产力发展”知识产权保护典型案例，26uuu欧美激情在线，高中生含脚趾丨ⅤK，日韩av影音先锋在线，娜美吃路飞棍子原版视频在线观看
01月04日，安徽芜湖港三山港区国际航线首航，A片福利片国产在线播放，色欲aⅴ4无码，尤物成年黄网站18禁免费，18分钟处破初疼哭在线
01月04日，壶口瀑布冰瀑映彩虹 景美如画，综合999精品久久成久久久，中文在线乱2伦，欧美午夜黄色视频免费下载在线观看，99视频在线播放
01月04日|以色列宣布进入紧急状态 与黎真主党相互袭击|十八禁小黄片无码在线看|男人j捅女人p|在线观看小视频网址|黄色免费小视频网站。
01月04日|大风蓝色预警继续！福建广东沿海等地部分地区阵风可达7至8级|h爱视频|韩国A级毛片免费久久网站|国产91福利在线|国产一级黄色A片视频演示
01月04日|中国已完成困难重度残疾人家庭无障碍改造117.76万户|91擦擦擦|日本男人和男人Gay操操鸡巴|色情网址|在线观看黄A片免费无码视频……
01月04日，女子高铁站晕倒 湛江西站上演7分钟急速救援，国产又粗又大又长免费视频，www.bbbbcom，户籍猎人(破解版)_1.0.0.apk，免费的黄漫 18禁动漫网站
01月04日，道中华丨道道水渠如玉带 层层田畴似天梯，26uuu欧美亚洲日韩另类，国产精品㊙️ThePorn入口，兔子先生之爸气十足，a在线观看黄色网站
01月04日|香港广西总商会秘书长：将“壮族三月三”打造成广西文化品牌推向世界|在线观看黄色视频永久免费观看AA啊aa|九九线精品在线|欧美日韩丝袜中文字幕在线|女人掰开尿口让男生捅到爽
01月04日，频频遭遇拒保问题 新能源汽车续保怎么成了难题？，日本女性WWWCOm，spermatid破解版，亚洲最大最色视频入口，狠操逼网址
01月04日，（巴黎奥运）亲友谈“双杠王”邹敬园卫冕：三年备战十分不易，欧美精品aa黄片，在线观看AV不卡网址，亚洲日韩一页，聚色色色色色色
01月04日，重庆万州青杠塝综合枢纽工程建成通车，国产主播 国内精品 在线，小 伸进91，白丝校🌸脱白丝让我c真人，空条徐伦同人18 漫画网站
01月04日|“银龄安康工程”助力构建老年人养老安全保障网|欧美中文品爱网|张婉莹裸身洗澡免费看|色一情一乱一伦一视频免费看熟女毛片|91.com在线
01月04日|上海：骑手送货上门马不停蹄 寒潮下守护居民“菜篮子”|伦视频中文字幕亚洲视频唯美视频欧美视频|国产视频一区 二区精品|91网站九色|日韩免费裸体福利网站在线网址
01月04日|游客“进吉”度假热度高：青睐赏景逛街|国产亚州在线视频播放|啪啪啪手机板日本性爱 视频片|色偷偷91综合久久噜噜噜男男|啊灬啊灬啊灬深高潮了最新版
周震南自曝曾有情绪问题，百分百出品|向海泉州｜漫看泉州烟火气|十大禁用软件app排行榜下载|黄黄免费网站|5060免费看一级毛片短视频|一级免费毛片不卡
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
谈前景、出实招、保民生，20余位部长的回应掷地有声！
坚持创新在现代化建设全局中的核心地位
从历史中“走出来”在光影中“活起来” 科技赋能探寻中华文明密码
“十四冬”主题MV、宣传片发布
福州市可持续发展城市论坛举行 中外专家共论发展新路径
中国工信部向沐美星空颁发空间无线电业务许可
在冬运会的带动下，内蒙古怎样发展冰雪旅游？
“十四冬”单板滑雪平行大回转青年组女子赛开赛
广东丹霞山再添3个新物种
“赋予法中友谊更多力量”
人人干人人噪人人摸
国产每日更新
A片黄aaaAB
中文无码 加勒比 HEZYO
高清乱码🔞❌♋现场看
亚洲欧美久久精品首页
all穹漫画e站
美女被抽网站
久久综合久久久久综合久久久久综合久久久久综合久久久久
卧底女警骑木驴被判刑了吗
闽公网安备 35010302000113号