猫眼影戏
 |
|
猫眼影戏
虞宗庆
手机审查
猫眼影戏记者 高士涛 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：操逼在线免费观看
??01月04日,【巴黎奥运会】潘展乐：我还是我，一切都靠自己,
进一步增强保密事情。某近年来虽然没有爆发过大的失泄密案件，但通过有关部分的一再专项检查，照旧袒露出许多薄弱环节，有些单位和部分甚至保存失泄密的重大隐患，这些问题若是任其生长，效果不堪设想。对此，我们要有苏醒的熟悉，接纳步伐，强化治理，牢靠修建保密清静防地。一是要切实抓好规范定密事情，从源头抓起，尽快建设和完善有关定密事情的规章制度，严酷执行定密程序，坚决战胜定密事情的随意性;二是高度重视电子政务建设和应用中的保密治理，重点抓好政务内网建设和应用中的保密治理，严禁涉及神秘的信息上网。三是增强保密催促检查和对失泄密案件的督查力度，填补误差，镌汰隐患，杜绝泄密事务爆发;四是抓好保密手艺事情，增强保密手艺提防能力，逐步改善保密设施和办文条件，起劲提高地某地保密手艺的整体提防能力。
,亚洲欧美在线aaa。??01月04日,江西新干上演箱包T台秀 当地民众演绎时尚新风潮,
同砚们你们可曾知道，也许由于你课间随意在走道中奔驰，也许由于你把楼梯的扶手当成滑滑梯，也许你随手扔出的一个小石子、也许你小小的一个开顽笑，我们的校园就多了一份危险，少一份安定。
,综合69久久夜色精品国产69,就要日就要艹就要干,亚洲黄片毛片。??时势2：欧美内地日韩性爱视频系列
??01月04日,2023年中国粮食产量再创历史新高,
兽皮载着几小我私家，一个二十几岁的青年人，一个老西崽，尚有几个孩子，从五六岁到十几岁不等，有男有女。
,伊人免费看,日本色色片上线视频,高清毛片在线播放不卡。??01月04日,教育强国，高校何为？重庆大学以“四重身份”解题 | 我与教育强国共成长 ,
“搪塞你还用打群架，你以为自己是上古贤人转世？”一群人翻白眼，体现不屑。
?第一百一十五章 断空城,一级a片啪啪免费视频,又大又粗性AAAAAAA片,欧美激情第十九页。??时势3：www.蘑菇
??01月04日,美国白宫回应韩国戒严：正密切关注,
好了!总之一句话：好的纪律、秩序是搞好事情、学习的包管。希望忘各人好勤学习，天天向上为中心小学争光。
,欧美一级做一级aa做片性视频,麻豆国产在线,国产特黄aaaaa毛片。??01月04日,伊朗和巴基斯坦商定两国大使本周内返岗,
转型跨越是张掖的生长路径，也是生长目的，而城镇化既属于工业的转型，也属于社会的转型。我们要推进转型生长，毫无疑问就包括城镇化生长。对张掖而言，城镇化是转型生长的难堪机缘，之以是云云，是基于以下两个方面：
,动漫裸体裸乳被🍑免费看,国产精品偷窥熟女老女人,欧美黄色视频操逼网。??时势4：人人看人人摸人人插
??01月04日,售价78.9万元起 四座旗舰MPV极氪009光辉正式上市,
??01月04日,认可委员会：2023年新增各类获认可合格评定机构2290家,
“怎么办？”封印者蹙眉，谁人可恨的少年居然与火国公主走在一起，让他们颇为忌惮。
,绝叫潮喷吹水合集4百度网盘,性爱交视频国产,www.91精品在线。责编：阿纳托利
审核：何先雄
责编：曾子墨
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
