猫眼影戏
 |
|
猫眼影戏
佟阳
手机审查
猫眼影戏记者 范兴奎 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：小马拉大车吃童子鸡在线观看免费
??01月04日,新疆克州首批生活物资发往阿合奇县震区,
目今，各级向导都很是重视清静事情 。教育部已相继公布了《学生意外危险事故处置惩罚步伐》，《中小学幼儿园清静治理步伐》，我们要真正提高熟悉，切记“隐患就是事故”、“校园清静事情怎么强调都不过分”，我们还要树立“清静教育重于泰山，师生生命康健高于一切”的看法 。为此学校向导明确要谴责体教职员工要高度重视学校教育教学各个环节的清静包管，并制订了学校清静事情的预案 。班主任先生应牢靠树立“清静事情无小事”的看法，站在构建平安校园、协调社会的高度，始终将学生的清静事情摆在主要位置，周全作育学生的清静意识，提高学生的清静素质 。做到经常教育，实时教育，教育到位，教育周全，对清静事情不可存有丝毫麻木幸运的心理 ；挂鹁⒖纺，想步伐挤出时间，使用班会、自习课时间，向学生们举行清静教育，使清静教育真正能够进入课堂 。我们要实现由“专人抓清静”向“全员抓清静”的方面转变 。确保宽大学生的清静康健，不但关系到每个家庭的生涯幸福，更关系到整个社会的稳固与祥和，；ぶ醒寰，是学校、家庭和社会的配合责任 。为此，我们向全校师生发出建议：我们要建设“平安校园”，确保校园清静、协调，让全体师生平安，愉快地事情、学习和生涯 。
,人人干人人插插 。??01月04日,昆明邮局海关查获新型毒品LSD片状物10片,
“无论怎样也要除掉他，不然脱离百断山，他一旦进入补天阁，就更禁止易下手了 。”有人低语 。
?第一百四十七章 金刚神力,91乱淫视频,aAaaa黄色网站视频,精品成人网站一区二区三区哔咔漫画 。??时势2：欧美老妇性BBBBXXXX性
??01月04日,东西问·中国石窟丨程耀东：须弥山石窟如何见证丝路古道上的多民族融合？,
最终，这头鳄蛟想进餐，吞掉小不点，被他抓到了时机，单臂一晃就足有十万八千斤神力，邻近时，他直接就撕掉了这头鳄蛟的一只爪臂，血淋淋，染红了寒潭 。
,欧美一级A片视频免费放色欲,掏出来鸡巴插屄,G漫彩虹官方网站进入 。??01月04日,第二次当选！扎尔达里宣誓就任巴基斯坦总统,
“切，别说那种传说中是否保存的工具了，就是一只火云雀或者其子女出来都能灭掉一个超等富家，真要是朱雀还容你去追 ？一个哈欠就能让一方王侯的领地破碎！”
,美女c,我～慢点～好爽好大～男男,黄瓜91视频 。??时势3：越南男人操女人视频
??01月04日,不满薪资待遇 台湾长荣航空机师或在春节发动罢工,
“追！”
,18禁网址免费,啪啪啪资源站,在线观看成年人视频 。??01月04日,暑热升级 湖北发布高温红色预警,
黑漆黑尽是粗重的喘气声，连跑了数里远，十几个孩子累坏了，适才又惊又怕，青鳞鹰那种凶物太强盛了，若是被追上，一爪子下来，他们必定会成为一滩血泥与碎骨 。
,国产对白放荡AV,tk白袜班花|VK,无毛老太婆乱伦 。??时势4：女帝汉库克漫画免费观看
??01月04日,深聚焦 | 厚植民生福祉 绘就幸福底色,
一、进一步增强官德建设
,丸子君素材库2,欧美一级免费电影,日韩欧美A级v片免费播放 。??01月04日,用“量子科技”种庄稼？河南叶县：已成立联合调查组,
三是效果要显着 。通过这次学习培训，每个同志都要抵达“两个”提高：即在理论政策水平上有新的提高 。进一步加深对党的目的政策和各级党委政府的事情思绪的明确，明确目今的政治形势、经济形势，相识目今农村事情的重点和难点 。在事情能力上有新的提高 。能够进一步相识掌握党和国家的农村政策，提高依法效劳的水平，学会运用说服教育、树模发动、提供效劳的要领生长农村经济、化解种种矛盾、维护农村稳固、推进各项事情 。
,九九色精品国偷自产视频下载,鸥州黄色性交网占视频,和平精英同人网站链接 。责编：赵化明
审核：路不平
责编：郑汉星
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
