猫眼影戏
 |
|
猫眼影戏
刘文
手机审查
猫眼影戏记者 坎井 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 ？榛杓疲荚诮Ｗ拥耐评碛胝雇芰怦睿⒏ㄒ远嘀帜 ？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 ？榛杓疲琕Gent 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：夜夜三级片
??01月04日,市场监管总局2023年审结经营者集中案件近800件 平均审结时间25.7天,
霹雳一声，远古凶禽再次扑击，双翅展动，鸟喙张开，喷吐出无尽的霞光，任何一缕迸发出去，都足以毁掉一群强者。
,人人操人人摸人人干人人。??01月04日,世界地球日 上海多种方式探寻绿色低碳发展模式,
“单臂一晃，十万八千斤神力，你做的很好，大大出乎我的意料！”柳树传音，似乎也吃了一惊。
,雪姨受不了了用力,18禁裸露啪啪网站免费下载,黄色视频AA片。??时势2：国产三级性爱黄色视频萌爱网
??01月04日,（粤港澳大湾区）港澳居民享广州南沙个税优惠逾3900万元,
体育是人类文明和智慧的结晶, 学校体育更是素质教育的主要组成部分, 它关于强壮学生体魄, 作育学生顽强的意志、优异的相助意识, 整体主义精神等方面都起到主要的增进作用。正是由于体育的作用才有了我们人类的康健生涯的追求, 拥有了人类的清静竞争运动, 在北京20xx年夏日奥运会上空熊熊燃烧的圣火向全天下昭示了体育的作用和重大的魅力所在。本次运动会是我校一年一度的学生体育盛会, 是增添相识、增进友谊、增强团结、增进生长的体育盛会。既是对我校体育事情的一次大校阅,也是对我校体育运动水平的一次大展示, 必将推动全校体育事业的生长, 提高全体学生的身体素质, 让学生在阳光下康健生长。在此, 我希望全体参赛运发动发挥更快、更高、更强和团结、友谊、前进的奥林匹克精神, 模范遵守运发动守则, 团结协作, 顽强拼搏, 胜不骄, 败不馁, 赛出气概、赛出水平, 赛出友谊, 周全展现今世中学生蓬勃向上的时代风范和精神风貌, 取得运动效果与精神文明双丰收;希望全文体判员、教练员、事情职员坚持果真、公正、公正的原则, 恪尽职守, 严于律己, 严肃赛风, 严酷赛纪, 确保运动会的顺遂举行。让我们配合起劲, 把本次运动会办成一次文明、热烈、精彩、圆满的盛会!
,婷婷五月最新黄色网址,一级在线黄色视频,日木农村性爱视频。??01月04日,（巴黎奥运）“行动派”邹敬园：有收获也有遗憾，这就是奥运,
4、要强化品德修养和自律意识。农村下层干部只有增强自身修养，有好的品行、好的形象，群众才会拥护。要坚持做到勤俭清廉、不谋私利，要克己奉公、为民造福，要树立威信、弘扬正气。这种威信不是小我私家的威风，不是在群众眼前发号施令，而是在群众中形成的一种感召力、驱动力。要挺直腰杆，义正辞严张扬好人好事好民俗，在邪恶势力和不正之风眼前要有节气，有威风。
,2020高清无码,无码专区丰满人妻在线,亚洲黄一级色视频。??时势3：美国a级大黄片
??01月04日,长沙楼市“银十”持续升温 多部门“组合拳”助市场回稳,
4、任何时间、任何场合，对人要有礼貌，自觉遵守公共秩序。
,亚洲国产一区在线视频,色 网站,非洲一级黄色网站。??01月04日,“本源悟空”联机超算中心 中国“四算合一”体系建成,
古国真的太众多了，统御亿万里山河，单其中一个强盛的王侯封地内就有数亿、甚至十几亿生齿，其疆土广袤无垠。
,国产一级做a爱免费,久久r视频只有精品,踩踏天地足艺阁拜脚网。??时势4：97久久99久久天天综合
??01月04日,甲流刚好又中招乙流？专家：两者不具备交叉免疫机制,
去年以来，面临高铁新区建设的历史机缘和重大多变的经济形势，高铁新区和东沙河镇全体干部在党委政府的顽强向导下， 凝心聚力，团结协作，充分验展整体智慧，解放头脑，艰辛斗争，全力推动各项事情有力开展、着花效果。
,免费看成年人视频在线观看,一区二区三区煌瑟在线,美女把腿张开被弄到高潮。??01月04日,部长通道丨如何解决“一票难求”、入境游客便利性等问题 部长回应来了→,
“道兄良久不见，迩来在何地修行 ？”
,美女裸体污污污被爆操久久,西方顶级人文艺术38大,兔费看一级黄色视频。【韩国国防部召开全军指挥官会议 称将加强戒备】
责编：黄栓
审核：江小艾
责编：张家胜
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
