猫眼影戏
 |
|
猫眼影戏
沈新文
手机审查
猫眼影戏记者 刘火胜 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：色哟呦在线播放
??01月05日,全球最大江海直达纯电动集装箱船首航洋山港,
“死猴子，你纳命来！”全身赤红、火光滔天的莽牛冲来，岩浆欢喜，它踩过的地方赤红液体翻涌，温度酷热无比。
?第一百六十一章 血色天下,3d 无尽 动漫 游戏。??01月05日,第三届“一带一路”青年发展高峰论坛在香港举办,
他们一起向回赶，走出去十几里后，又遇上了一大群人，正是石林虎、石飞蛟等一群壮年男子，一个个眼睛都红了，一副要拼命的架势。
,小伙子泻火老阿姨最新消息今天视频,AV无码专区尤酸乳,全部A片免费在线播放。??时势2：H漫全彩纯肉无码
??01月05日,杭州：“旧服”换“新被”服务受欢迎,
石府，绚烂炫目，种种圣光齐舞，遮蔽天日，竟将整座府邸都笼罩了，什么也见不到。
,欧美 XXXX888-百度,真实处破女全过程,影音av 在线。??01月05日,财政部拟第一次续发行2024年记账式附息(十四期)国债(5年期),
铁箭没入远处一块山石中，直接穿进，铿锵作响，摩擦出一串火星，甚是恐怖。这么强盛的力道，这样的重箭，有几人敢撄锋 ？真要被射中，那就是一个透心凉！
,黄片视频免费观看无遮挡男人用鸡巴插女人,郊外野战A片视频在线观看,欧美饥渴少妇XXXXX性。??时势3：原神心海手脚绑起来嘴用胶带封上
??01月05日,（投资中国）CFA协会总裁兼首席执行官：中国仍是CFA最大的候选人市场,
星期二下昼，我们全校师生在操场听了交警大队的清静知识讲座。这个讲座一共有5项，主要内容是要让我们遵守交通规则，并且还给我们全校师生赠予了图书。
,黑料网-神级MMD色情动画 绝区零的妮可被操成肉便器 MOMO作者3D动画系列！,床震羞羞视频,小鸟酱挑战70厘米。??01月05日,两会受权发布｜中国人民政治协商会议第十四届全国委员会第二次会议政治决议,
在社会层面上，一律，是对每小我私家生涯的权力与状态的包管，是一种制度上的一律。好比九年义务教育，他让所有孩子都能够一律的享受受教育的权力。若没有他，也许在偏远贫穷的地方，教育仍将是贵族的特权，贫者永世贫穷。而我们的父辈，又有几多不是从外地，从一个村镇里通过凡人缺乏的起劲通过高考而来北京的呢?这也充分证实晰，优异的制度是包管一律的客观要素 ？凸鄣牟畋鹗峭耆梢晕陨淼钠鹁⑺畈沟。
,雏田扒开屁股让鸣人猛戳,在线亚洲一区,双腿吊起各种玩具高H男男。??时势4：污网站在线观看直接看
??01月05日,“只收费不服务”，多地殡仪馆干部被查！,
一群老人从灰尘中走来，灰头土脸，粘着血迹，他们脸上有怒容也有震惊，这个子侄太强盛了，直追其父啊。
,欧美一级性交黄色视频,国产曰批全过程免费视频,日本淫荡网。??01月05日,宁夏向世界推介荒漠化防治技术和经验,
三是基础设施建设一直增强，城镇功效日益完善。近年来，各地一直增强城镇基础设施建设，提高城镇承载能力，鼎力大举改善都会景观和人民生涯情形。据统计，阻止年底，全市县城城区蹊径公里，较年的公里增添公里;排水管长度公里，较年的公里增添公里;都会蹊径路灯盏，较年的盏增添盏;都会自来水普及率为，较年增添。全市小城镇蹊径总长度达公里，桥梁座，路灯盏，排水管道公里;自来水受益小城镇个，建制镇自来水普及率由年的增添到现在的;小城镇现有栖身面积万平方米，人均栖身面积由年的平方米增添到平方米;州里通电率达，有线电视笼罩率抵达以上。市中心城区市政设施正在逐步完善，都会供水、污水处置惩罚、垃圾处置惩罚、供气等一大批市政设施已经或即将建成投入使用。通过修建民权路浉河桥、建设垃圾中转站和公厕、刷新背街小巷、建设茶之韵广场等步伐，极大利便了群众，提升了都会形象。一些县区在这方面也取得了可喜的效果。如县一举夺得“国家卫生县城”、“中国人居情形规范奖”、“国家级生态树模区”等国字号奖牌。小城镇基础设施和综合功效日益完善，吸引力和辐射力日益增强。等一批明星小城镇，已成为我市小城镇建设的“领头羊”、“排头兵”，成为我市农村经济社会生长、对外开放的主要窗口。
,日韩美一级一级爱C免费看,在线观看 中文字幕 一区 二区,精品在线狂射人妻。【推进文化产业高质量发展】
责编：辛波斯卡
审核：李那
责编：拉里莎·萨尔甘
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
