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！
《40XXOO .com》，《Q8X2R7L1T4J5M9B6W3》在线观看黄色视频爽爽
“一级A片20岁国美女A片”
台湾毛片视屏一区二区毛片视频污网站免费在观看
……
01月06日
“亚洲辣妺嘘嘘gush尿”《蓦然回首》豆瓣8.7分
↓↓↓
01月06日，聚焦服务精准化 陕西多部门联动为民营企业“聚才引智”，胡桃 到爽 高潮痉挛漫画，偷拍偷窥视频，女裸黄色网站，日韩精品无码一区二区A片
01月06日，2023年江西工业领域投资亿元以上项目完工投产千余个，娇喘 蘑菇视频，91国内高清视频，欧洲免费毛片视频在线，人人看,人人模,人人干,人人操
01月06日，韩国总统发布紧急戒严令后 韩国国会门口大批民众聚集，欧美女人网，午夜亚洲国产理论片中文网站，欧美狠狠入鲁的视频_首页，亚洲综合干
01月06日|浙江教育观察：大思政教育如何活用红色档案资源？|小舞被 后喷水|www.bbbbcom|精品日本三级A∨在线|黑大粗硬国外一级A片
01月06日|文化中国行丨在大巴扎听“海”的声音|巨乳少妇-x88AV|你懂的 在线视频 不卡|丁香五月婷|亚洲精品6080午夜福利
01月06日|聚力攻坚“港”“廊”“链” 浙江金华跑出高质量发展加速度|无码精品少妇一区二区三区久久久|一级黄一|亚洲AⅤ无码专区色爱天堂|99精品无码A片一区二区……
01月06日，上海“宝宝屋”成社区托育新亮点，一级免费看，婬荡乱婬A级毛片，免费看欧美爱爱太爽了A片，免费一级中文字幕高清
01月06日，品味文化盛宴 “五一”文博热持续升温，给老公吃女人的母乳给女人打扑克，人人操人人操人人色，又黄又刺激视频，免费看鳮巴视频网站
01月06日|2024钻石杯青少年网球挑战赛沈阳站开赛|ai换脸程潇在线观看完整版|看韩国美女日P视频|欧美老熟妇粗硬大|并木塔子义母
01月06日，海南首度向香港、澳门供应绿电，体育生骚0被猛男顶到射精，永久欧洲生活片无码在线，久久综合综合，黄 色视频网站在线观看
01月06日，“文旅中国探索计划第二季”活动开启 中国星双旗舰正式上市，黄色视频免费网站欧美，裸男老头XX性老头XX，一级黄色录像。，初恋八与榜1V3
01月06日，龙年将至说恐龙，搜索欧美一级黄色性交破处乱伦视频，雷电将军被 b，黄片一级在线，捏胸舔屁股
01月06日|上海和福建三明携手 产教融合促发展|欧洲成在人线免费视频a|火影忍者18|中文字幕在线第88页|欧美性爱c级视频
01月06日|【百万庄小课堂】火爆的3D游戏，为什么有人一玩就头晕？|粉嫩蜜穴|馃崙馃崙馃悢馃悢|giantess胸产牛奶|欧美精品 亚洲 日韩一区
01月06日|郑州迎2024年首场降雪 民众打卡拍照|丰满熟妇乱又伦精品|国产一级av黄|欧美午夜在线|高潮一区二区三区
官方回应村民办席饭菜遭撒盐，于适控马|（巴黎奥运）中国选手李越宏夺取男子25米手枪速射金牌|tiedan56789@gmail.com|黄色视频生活片|精品动漫一区二区无遮挡|精品人妻一区二区三区日产乱码
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
1月至9月，全国检察机关起诉组织、领导传销活动罪4627人
安徽地区生产总值4.71万亿元 新质生产力加快成长
台湾气象部门发布台风“天兔”海上警报
“最北夫妻警务室”史先强当选2023“感动龙江”年度人物
日本靖国神社举行春季大祭 岸田文雄供奉祭品
8名外籍人员涉嫌偷渡在广西边境被抓
张国华当选河北省政协主席
中新健康丨冬季呼吸道疾病频发 广西专家称中医药特色疗法有疗效
杭州：民间龙舟队“二月二”开桨
《中国婚礼通志》发布 《中华岁时通志》启动出版
黄色一级免费电影
国产AⅤ一区二区三区美女
好爽高潮视频网站免费
久久综合国产乱子伦精品免费
欧美涩涩
网友自拍网址
火影女忍者自慰
超级巨乳日B视频
毛片在线视频网站
极品少萝插b视频网址
闽公网安备 35010302000113号
