猫眼影戏
 |
|
猫眼影戏
比尔德布拉西奥因
手机审查
猫眼影戏记者 亨瑞克 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：欧美熟一区
??01月07日,北江可能发生特大洪水 珠江防总、珠江委将应急响应级别提升至Ⅱ级,
一切都源自前方那座很雄伟的灵山，它十分高峻，上面有生灵栖居，伴生着有数的宝药，芳香扑鼻。
?第一百六十九章 茧中生灵,亚洲性另类欧美老妇性另类。??01月07日,第三批中华老字号名单公布 全国老字号数量达到1455个,
“我们进入一个离奇的村子，发明了狻猊的遗骨……”
,欧美一级成年午夜大片在线看,furry18+视频,欧美黑人性生活。??时势2：欧美性爱一区二区三区
??01月07日,空军西安飞行学院某场站举行警卫新兵授枪仪式,
这一击简直如灭世一样平常，这天地都被捅破了！
,开心色情,曼珠沙华翻白眼流眼泪,饼干姐姐vlog在线观看第一页。??01月07日,浙江海岛共富观察：“年轻业态”让乡村焕发新活力,
奔在最前方的石林虎一摆手，让众人停下，扒开前路上一大片枯草与败叶，马上露出一个黑乎乎的大洞，内里插满了铁锥，直指向天，这要是坠进去非被扎成筛子不可。
,欧美黑人双飞视频3区,99在线视频精品播放,国产情侣露脸在线对白。??时势3：馃崋馃崙馃崋馃崋
??01月07日,入境游持续火热，让世界看到真实的中国,
这次全乡党委扩大聚会的主要使命是：以科学生长观为指导，认真总结上半年岁情，安排安排下半年岁情，发动全乡上下进一步解放头脑，开拓立异，真抓实干，坚定信心，再鼓劲头，迎难而上，加速全乡经济社会生长程序，确保周全完成今年的各项目的使命。前面，周乡长周全总结了上半年全乡农业农村事情，对下半年岁情作了周全的安排安排，我完全赞许；厥咨习肽晁昵，全乡各项事情希望优异。下面我就周全落实本次聚会精神，加速全乡经济生长和抓好下半年的各项事情讲几点意见：
,人人爽人人操人人操,女同桌脱鞋子帮我脚交小说,忘川和小紫。??01月07日,菜市场“网红”之路：传统农贸市场如何转型？,
“这样说来，有了不起的圣物出土了，一直没有被那些远古遗种获得，引动了十方风云！”金色的大帐中走出一个老者，高峻魁梧，眼睛竟能冒出一缕缕金色的闪电，恐怖之极。
,日韩,亚洲,欧美,看欧美肏大黒屄视频直播,亚洲欧美com。??时势4：茶茶红润脚底lvk
??01月07日,香港天文台发出红色暴雨警告信号,
二、充分熟悉培训的主要意义
,黄A片亚午夜,1234乌国黄片电影,人人操人人做人人爱。??01月07日,王毅会见俄罗斯伊尔库茨克州长科布泽夫,
要施展好照料助手作用，起劲为党委的科学决议提供准确、优质和高效效劳。办公室作为党委的照料部、智囊团，主要体现在文稿起草、视察研究、提供信息、催促检查、提出对策性建议等方面。因此，各级党委办公室一定要普遍搜集信息，深入开展研究，一直增强事情的预见性，提高辅助决议的科学性，从而更好地为向导决议提供有价值的意见和建议。一要一直提高起草文稿和办理公牍的质量。各级党委办公室要把综合文字事情作为办公室的主要营业建设来抓。认真学习主要文件，体会向导讲话和指挥，准确掌握向导意图，一直提高文稿撰写的质量。要注重作育从事文字事情的营业主干，充分办公室文字事情的实力。二要强化信息、督查和政策研究事情，准确实时地反应社情、民情，为党委当好“线人”。要确保信息的时效性，做到快报而不漏报、误报;要确保信息的真实性，不掺水分，不弄虚作假，既报喜也报忧，周全反应真真相形。要注重提供有质量、有深度的调研，针对党委关注的问题举行重点调研和综合剖析归纳，为党委提供有参考价值的决议依据。三要增强催促检查，协助党委抓好事情落实。牢牢围绕党委的重大决媾和中心使命，以及向导的主要指挥和交效劳项，以抓详细落实为重点，自动督导，按期转达。要进一步探索和实践新形势下实现督查实效的机制和手段，强化督查事情职位，健全督查事情网络，使督做事情事事有着落，件件有回音，确保党委的政令流通。四要做好神秘保密事情，确保首脑机关的神秘清静。要建好、管好密码通讯网络，进一步增强对密码电报的治理，起劲消除爆发失泄密的隐患。
,中文字幕在线观看 第一区,男生女生砰砰砰,免费观看超污黄性爱视频在线观看网站。责编：梦鸽
审核：侯砚
责编：王廷忠
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
