猫眼电影记者 段俊 报道首次登录送91元红包

随着多模态大模型（MLLMs）在各类视觉语言任务中展现出强大的理解与交互能力，如何高效地处理原生高分辨率图像以捕捉精细的视觉信息，已成为提升模型性能的关键方向。

然而，主流的视觉编码范式往往难以兼顾性能与效率：基于切片的编码方法虽能降低计算开销，却牺牲了全局上下文感知能力；而全局原生分辨率编码在提升整体性能的同时，又带来了巨大的计算负担。同时，现有的视觉压缩策略与特征提取过程相对独立，难以在编码早期有效控制信息冗余，缺乏一个兼顾细粒度建模与计算效率的统一架构。

针对如何在高清原生分辨率下，保持图像全局理解能力的同时，还能快速推理这一核心问题，来自清华大学、中科院的研究团队正式发布LLaVA-UHD v3！

论文标题：LLAVA-UHD V3: PROGRESSIVE VISUAL COMPRESSION FOR EFFICIENT NATIVE-RESOLUTION ENCODING IN MLLMS论文链接：https://arxiv.org/abs/2511.21150代码链接：https://github.com/thunlp/LLaVA-UHDhuggingface 链接：https://huggingface.co/Sishxo/LLaVA-UHD-v3

LLaVA-UHD-v3 提出了全新的渐进式视觉压缩框架 ——Progressive Visual Compression（PVC），由Refined Patch Embedding（RPE）与Windowed Token Compression（WTC）两个核心组件构成。该框架在保持全局语义一致性的前提下，显著减少视觉 Token 数量，从根本上提升原生高分辨率视觉编码的效率。依托 PVC，LLaVA-UHD-v3 在性能上可与 Qwen2-VL 相媲美，同时实现1.9× 的 TTFT 加速，完整训练仅需32 张 A100、约 300 小时即可完成。

切片编码 vs 全图编码深入分析

为了公平对比两种主流视觉编码方式 —— 基于切片的编码 (Slice-based Encoding, SBE) 与 全局原生分辨率编码 (Global Native-Resolution Encoding, GNE) —— 团队使用相同模型架构 + 相同训练数据 + 相同评估 protocol。在此基础上，既在通用多模态 benchmark 上测试，也专门构建了一个合成数据集 ShapeGrid 用于空间感知 / 定位能力分析。

在 ShapeGrid (及其 “Sudoku-style” 子集) 上，GNE 相比 SBE 在空间感知 / 定位任务上的表现有明显优势：空间感知能力平均提升约11.0%。

同时，在通用视觉 - 语言理解任务中，GNE 在语义理解表现上也略优于 SBE（平均提升约2.1%）。

更重要的是，通过对比注意力热图、激活分布 (attention maps)，研究发现 SBE 在空间定位任务中表现出系统性的方向、结构偏差 (例如水平、垂直方向不均衡) —— 也就是说 SBE 的切片机制破坏了图像的空间连续性 (spatial continuity 、geometry)，从而削弱了空间理解、定位的可靠性。

因此，该对比实验清晰地表明：尽管 SBE 在效率上有优势，但从语义 + 空间 + 几何一致性 (global context + spatial reasoning) 的角度，GNE 明显更适合需要空间感知、高分辨率理解与推理的任务。

全图编码的高效解决方案

全局原生分辨率编码带来了较高的计算成本，这凸显了迫切需要一种原生且高效的视觉编码范式。因此，团队提出了 LLaVA-UHD v3，一种配备了渐进式视觉压缩（PVC）方法的多模态大模型（MLLM），用于高效的原生分辨率编码。

PVC 架构由两个核心模块组成：

精细化 Patch 嵌入 (Refined Patch Embedding, RPE)：通过将图像划分为更小尺寸的 patch，并用伪逆 (pseudo-inverse) 方法将预训练模型原有 embedding 权重转换为新的、更细粒度的 embedding。这样，原本粗粒度 patch 的语义信息被近似保留，但实现了更丰富的视觉语义提取建模。窗口化 Token 压缩 (Windowed Token Compression, WTC)：在 ViT 的中间层，将空间上相邻的多个 token（例如 2×2 区域）聚合为一个新 token，初期以均匀平均池化 (average pooling) 起步，并通过一个轻量级、零初始化的 MLP 模型学习内容自适应的池化权重，从而逐渐学会对更重要区域赋予更高权重。这样，随着网络深度的推进，token 数量被大幅压缩，而关键语义信息得以保留。

这种 “先细粒度建模 + 再渐进压缩” 的设计，使得 PVC 在兼顾全局语义 + 局部细节的同时，大幅降低计算量。

实验验证：PVC 在推理效率提升的同时保留模型能力

效率方面，在统一的 LLM（Qwen2-7B）框架下，本文提出的 ViT-UHD 编码器相比 MoonViT 实现了2.4× 加速，相比 Qwen2.5-ViT 也快 1.9×。将其整合到完整的 MLLM 中后，LLaVA-UHD v3 的 TTFT 相较强大的 Qwen2-VL降低 49%（约快 1.9×），甚至比以高效著称的切片编码模型 MiniCPM-V2.6 仍然快约 10%。

在性能方面，LLaVA-UHD v3 仅使用约 2000 万对图文数据完成训练，远低于 Qwen2-VL（约 7 亿）和 MiniCPM-V-2.6（约 4.6 亿）等商业模型的训练规模。然而，其在多项视觉语言基准中依旧展现出高度竞争力。同时，它实现了64× 的视觉 Token 压缩率，远超对手（Qwen2-VL 约为 4×，MiniCPM-V2.6 为 16×），但在需要细粒度视觉信息的任务上 —— 包括 HallusionBench（幻觉检测）、CV-Bench（空间推理）以及 OCR&Chart（文字与图表识别）—— 依然取得了与 SOTA 模型相当甚至更优的表现。

这些结果充分验证了 PVC 框架的核心价值：在大幅减少视觉 Token 和推理开销的同时，仍能稳健保留关键的细节感知与全局理解能力，实现真正意义上的 “高效而不降级”。

基于对全图编码与切片编码优劣的深入分析，LLaVA-UHD v3 提出了结合两者优势的渐进式视觉压缩全图编码方案，在保证模型能力的前提下实现了显著的推理效率提升，并展现出良好的迁移与泛化能力，为 MLLM 的高精度原生分辨率建模提供了可行路径。

不过，实验分析表明，缺失了预对齐阶段的 ViT-UHD 性能不佳，这表明引入 PVC 后的视觉编码器能力仍未达到上限：仅靠当前 MLLM 的标准训练流程，很难完全挖掘 ViT 的视觉表征潜力，其学习尚未饱和。此外，随着 Token 数量增大，Transformer 的二次复杂度仍然会带来成本瓶颈。

未来，仍需要探索更适合多模态任务的视觉编码预训练策略，并逐步引入线性复杂度算子替代传统的二次复杂度注意力机制，从而实现真正可扩展的高效多模态建模。

  时事1：凯时最优质的运营商

  12月27日,国家数据局：谋划布局一批数据领域部级重点实验室,“展望未来，虽然当前的环境充满挑战，但我们仍保持乐观，我们看好中国经济的长期增长趋势，也看好拓展与东南亚和中东地区资本市场的联系可以带来的机遇，我们将善用科技提升市场活力。”陈翊庭说。,通博娱乐。

  12月27日,广州启动珠江流域广州段水生态环境保护专项民主监督,郭宁宁出生于1970年7月，辽宁沈阳人，1999年3月加入中国共产党，1994年7月参加工作，研究生学历，经济学博士，注册会计师。1987年至1994年，她在清华大学经济管理学院管理信息系统专业学习，获工学学士、硕士学位。毕业后，她进入中国银行工作，担任过中行香港分行行长、新加坡分行行长等职务。,亚美体育是黑平台吗,伟德账户验证,九游会官方地址。

  时事2：天九国际手机版首t900

  12月27日,宁夏六盘山腹地掀起冰雪热,习近平在瀛台桥前迎接普京。两国元首边走边谈，看亭台楼榭，赏万物并秀。,注册秒送白菜,正版澳门足球报,新莆京娱乐官网。

  12月27日,青海德令哈首次发现世界濒危物种豺,活动现场，书法家与AI春联机同台竞春；中央美院师生及留学生与PNDbotics人形机器人同台书“福”迎春；中央音乐学院的指挥机器人上场；威风凛凛的传统舞狮与灵动精巧的机器狗舞狮同台献艺……古老与现代激情碰撞，科技与艺术深度融合，为大家带来全新的体验与美好的祝福。,必博全站APP,老虎机娱乐,世界杯小组赛比赛可以买球吗。

  时事3：乐鱼官方网站

  12月27日,彭博报告：人工智能战略将推动中国生产力提升,靳东在“围猎”中丧失了应有的原则和底线，党的十八大后仍然“顶风作案”，情节严重、性质恶劣。,ManBetX万博平台网址,安博体育官网网址,网投百家乐。

  12月27日,残特奥会铁人三项比赛收官 广东队获得七枚金牌,4月24日出版的《中国纪检监察报》在第七版刊文《贪乱心志 欲迷人眼》，剖析了四川省阿坝州人民政府原副秘书长靳东严重违纪违法案。,宝博官网,网上真钱平台,必赢网页版。

  时事4：188体育开户

  12月27日,海南封关 开放大幕拉开 谁的机会来了？,蓝鲸新闻12月23日讯，近日，陕西证监局发布了行政处罚决定书，剑指金花企业(集团)股份有限公司董事长邢雅江。,澳门ag手机app,葡京赌盘网信誉综合最好,快三秒。

  12月27日,“台湾有何本钱用备战换和平？”岛内青年拷问赖清德：没人愿当炮灰、做牺牲品，为“台独”打仗,第三，跨生态协同能力，整合“租赁+服务”的生态能力也非常关键。,m88官网,真钱赌城排行,亚爱网址首页进入。