猫眼影戏
 |
|
猫眼影戏
杜燕歌
手机审查
猫眼影戏记者 龚睿那 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：纳玛卡鲁3免费看
??01月03日,中国海警局新闻发言人就菲律宾3002号船故意冲撞我海警舰艇发表谈话 ,
武王中箭 ，鲜血洒落 ，他被射了下来 ，坠落院中 ，此时遭受重创 ，失去了一战的能力！
,人人插人人操人人射。??01月03日,【奋力谱写中国式现代化新篇章——习近平总书记今年以来治国理政纪实】中国式现代化 民生为大,
“大鹏别闹 ，一会儿我也要研究你的符文 ，小青一会儿我带你去抓蛟鱼吃 ，现在别打搅我哦。”小不点也同样搂住它们的脖子 ，举行宽慰。
,uygurlar skixix 维语HD,女,亚洲黃色視頻。??时势2：porn龙卷
??01月03日,上海进入生活垃圾智慧管理新阶段：全链条、全覆盖、全追溯、全监管,
至于稍远处 ，好比湖泊周围 ，那些五色鸟、独角兽等则全都像是朝圣般 ，向着这个地方叩头 ，一直膜拜。
,丝袜脚交国产中文在线视频,一个人免费视频在91久久www,肏屄视频爽。??01月03日,甘肃兰州：八分钟时速接力 只为生命打开救援通道,
谁能想到一个孩子单臂一晃就有云云惊世的神力？这般年幼 ，大眼还在扑闪着 ，可行动一展 ，却迅疾如雷霆！
,伽罗太华白丝袜被 娇喘,在线播放国产一,黄色视频在线观看。??时势3：欧美成高清视频三级
??01月03日,国铁集团郑州局“五一”假期累计发送旅客超395万人次,
俗话说：“可怜天下怙恃心” ，在这强烈竞争的社会 ，每个家长都希望子女能够出人头地 ，但苦于缺乏科学有用的教学要领 ，在教育孩子方面仍保存一定的盲目性 ，我也当过20多年的西席 ，也是孩子的父亲 ，在开家长会的之前 ，我曾相识过视察大大都孩子都有这样的心事：“家长对我提出的要求太高太严 ，我做不到 ，他们总拿我和别的孩子比。”听了这些孩子的话 ，家长应更多地相识孩子 ，明确孩子 ，尊重孩子 ，我以为教育子女要做到以下几点：
,1级黄色片无吗一区=区,狂躁美女BBBBBB免费直播,乱人伦中文视频在线一区,二区,三区。??01月03日,河南郸城“泥人张”作品登上澳门邮票,
我们的学校是一个各人庭 ，内里的每个兄弟姐妹都要至心至心地为这个各人庭做出孝顺 ，学校的一草一木都是我们各人配合的财产。当你突破一块玻璃时 ，你可曾为自己的过失而自责?当你和同砚由于一件小事 ，爆发口角时 ，你可曾想过你的无知与激动?当你由于上课不专心听讲而与先生爆发矛盾时 ，你可曾想过别的同砚可能是何等的厌恶你的行为?我们只要为我们的行动认真 ，学着长大 ，定能成为守纪的模范。
,久久精品黃色,綜合久久,日日射,天天干。??时势4：海滩走光高清视频无奶罩内裤
??01月03日,福建省启动防暴雨Ⅳ级应急响应,
11月9日是天下消防宣传日。 连系11.9消防日 ，10月28日上午我园中买办开展了一次消防演练。上午10点整警报声突然响起 ，此次火源随机定在了小四班南门口 ，听到警报声全体西席在第一时间组织小朋侪有秩序的撤离课堂 ，在先生的向导下 ，各班均凭证预先设定的清静蹊径行进 ，小朋侪们个个手拿湿毛巾一个接着一个弯腰垂头前进 ，逃离火灾现场 ，由保安组成的灭火队也在第一时间赶到着火点 ，用灭火器灭火。先生报出冲出火场的幼儿人数和班上现实来到的人数 ，迅速清点人数 ，以包管不落下一名幼儿和西席 ，最后先生还举行了模拟的伤情处置惩罚。演练取得了圆满乐成 ，全园上下秩序井然。
,我是魅魔的忠实仆人第二集,囯产黄色免费,农村一级一级毛片无码。??01月03日,应急管理部开展烟花爆竹生产经营旺季安全专项检查,
【美媒：红海危机表明中国的“一带一路”倡议对所有国家都至关重要】
责编：秦晖
审核：普拉斯
责编：西安-兰州
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
