猫眼影戏
 |
|
猫眼影戏
尹时允
手机审查
猫眼影戏记者 本塔勒布 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：操逼毛片视频试看15分钟
??01月07日,庆祝“国际志愿者日”：中国科技馆举办科技志愿服务周活动,
(一)科学制订标准 ，实验分类施保 ？蒲Ш侠碇贫┡┐宓捅１曜际鞘笛榕┐宓捅５闹饕谰 。若是尺度过高 ，财务难以遭受 ，也容易使一部分人爆发依赖头脑 。若是尺度过低 ，不可包管群众的基本生涯 ，低保制度就达不到包管效果 。凭证农村低保标准不低于国家宣布的温饱线(即年人均纯收入693元)的要求 。凭证我县农村住民用饭、穿衣、医疗、上学 ，适当思量用电、燃料、通讯等用度的现实 ，县上确定今明两年我县农村最低包管标准不低于693元 ，补差标准年人均津贴不低于300元 。凭证前期摸底测算 ，全县总的包管人数应控制在农业总生齿的10%以内 。由于川道、浅山、中山、后高山等差别的自然条件 ，农民人均收入差别较大 ，享受农村低保的生齿比例应有所区别 。我们确定川道的平梁、城关、涧池、永宁、蒲溪、双乳六州里控制在总农业生齿的9%以内;浅山的观音河、龙垭、铁梵宇、田禾、漩涡、汉阳控制在总农业生齿的10%以内;后高山的旅馆、双河口、铜钱、石条街、上七、双坪控制在总农业生齿的12%以内 。同样在温饱线以下 ，农村贫困住民的现实贫困水平差别很大 ，为此 ，我们在执行中一定要分类施保 。对痴呆傻残等民政救援工具要予以重点包管 ，补差标准相对要高;对生涯情形卑劣或因其他缘故原由致使生涯暂时难以维系的一样平常贫困户也要纳入包管规模 ，但补差标准应该偏低一些 。已享受农保五保待遇的不纳入农村低保规模 。分档补差一定要轻盈易行 ，不可太多太细 ，难以操作 。
,中日韩一级小片免费播放 。??01月07日,辽宁省博士后事业高质量发展 累计招收万余人, 在今年6月11日举行的中国福利会第八届执行委员会第一次聚会上 ，李斌指出 ，中 ；嵋钊胙肮岢沟车亩缶窈拖敖阶苁榧侵轮懈 ；峤ㄉ80周年主要贺信精神 ，秉持宋庆龄“永远和党在一起”的坚定信心 ，继续致力于创立未来的事业 ，在妇幼保健、校内外教育、少儿文化及社会福利等方面开展实验树模事情 。,亚洲性爱视频日韩无码一区二区,欧美又粗又长又黑,爱爱毛毛视频爱爱毛毛视频爱爱毛毛视频爱爱a 。
??时势2：黄色网站看一级
??01月07日,消息人士：加沙停火谈判取得重大进展,
一声兽吼传来 ，这片山脉中一个庞然大物泛起 ，足有三十几米长 ，银色皮毛闪亮 ，跟绸缎子似的 ，头上长有一对麒麟角 ，眼若脸盆那么大、鲜红如血 ，酷寒的望来 。
,黄色在线观看ww,免费中文av在线,粉嫩极品国产在线播放 。??01月07日,习近平致电祝贺马茂当选连任基里巴斯总统,
近年来 ，随着全县经济社会的生长和财力的增添 ，县委、县政府高度重视民生问题 ，通过一系列的便民、利民的惠民政策 ，强力推进扶贫攻坚 ，一直增强社会救助 ，贫困群众的生产、生涯状态有了显着改善 。但由于全县农村贫困面大 ，农村经济社会生长相对滞后 ，地方财力拮据 ，农村社会包管水平十分有限 ，与群众的愿望、与协调社会的要求差别较大 。因此 ，抢抓中省政策机缘 ，做好农村低保事情 ，切实包管农村难题群众的基本生涯显得更为紧迫和主要 。
,影音先锋小说资源站,免费三级一黄一级毛片,巴18 。??时势3：黄网占在线
??01月07日,广西首次在市政引水隧洞工程应用盾构技术,
虽然 ，无论是夸赞 ，照旧申饬的话 ，大人们都没有当着孩子的面说 ，怕小不点等因此而受到影响 。
,18 无套直零七,国产黄色二级,www.黄色cnm 。??01月07日,“宝总”的台湾“24小时”，掀起两岸民间交流小高潮,
??时势4：静香被 到爽 高潮动漫
??01月07日,From Chuandong Cave！贵州普定穿洞发布新出土文物双语海报,
为了给石昊洗礼 ，村中举行了种种准备 ，老药、毒虫、泉水、古鼎 ，连磨炼真血的木料都选了最好的黑蛟木 。
,无码免费黄色网,26uuu欧美日本变态日韩,跪下+晨尿+伺候+桌下bl 。??01月07日,中华老字号（山东）博览会特设中医药展区 养生类产品受追捧,
那头狻猊从山脉深处走了出 ，到了外围区域 ，即将老死 ，要为自己寻一个葬身之地 ，其威势很恐怖 。
,女人被爽到呻吟动态图,婷婷色婷婷深深爱播五月,5555成年视频 。【新发现20余条水坝 良渚遗址揭示水利系统完整结构】
责编：楚儿
审核：葛剑平
责编：张安薇
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
