猫眼电影记者 陈利浩 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：沙巴体育波胆

  12月26日,突发强震后 日本首次发布“北海道·三陆沿海续发地震注意情报”,5月16日下午，习近平在国家大剧院同普京出席“中俄文化年”开幕式暨庆祝中俄建交75周年专场音乐会。,利莱国际游戏下载。

  12月26日,戏韵通中外 “戏剧与文化传播”论坛在京举行,尽管如此，铜仍然是该行在工业金属市场中的首选投资标的，该行已在12月中旬将明年的铜价预测上调至每吨11400美元。,皇冠大转盘点击进入,亚娱体育官方,彩票正规平台可提现。

  时事2：果博网站是什么

  12月26日,菲律宾央行降息至4.50% 为三年来最低水平,目前，国任保险股权基本处于正常状态，仅2家民营股东出现股权质押、涉诉抵债，股权占比分别为2.496%、1.248%。,万博开户,k8凯发首页,新浪博雅德州下载。

  12月26日,粤港澳专家学者为大湾区体育融合发展勾勒蓝图,而这一切问题的根源，直指平台对僵尸账号与异常行为的识别能力不足。黑灰产用于攻击的账号中，不乏长期沉寂、无真实用户行为轨迹的僵尸号，也有短时间内集中注册、批量登录的异常账号，但快手的风控系统未能有效识别这类历史行为数据看似正常的账号。于是，平台既未对高风险账号采取前置性管控措施，也未对同IP下多账号同步开播、新账号高强度推流等异常行为触发预警与拦截，最终给了黑灰产可乘之机。,ag真人app平台,线上真金官网,足球打水公式。

  时事3：聚星平台登录

  12月26日,香港特区政府介绍火灾搜救安置等最新进展,周觉担任过外交部部长助理、国务院新闻办公室副主任等职，曾是中国驻土耳其大使、驻法国大使。,天博app官网,电竞007比分网,银河体育娱乐。

  12月26日,壹视界·我们的“十五五” | 一份规划蓝图，如何点亮更美好的生活？,当地官员警告居民，不要饮用井水或用井水做饭，因为洪水已经流入水井，井水可能遭有害化学物质污染。,葡京信誉盘,国际牛牛棋牌,边峰游戏。

  时事4：cbin注册

  12月26日,重庆运动员斩获中国在听障奥运会跆拳道品势项目首枚金牌,在彭昌国看来，在非洲卖手机是个苦差事。一方面，翻新机的质量并不稳定，售后需求比较多。另一方面，想要融入当地的销售网络并不容易。他表示，手机档口主要做批发生意，一些当地人会来卖场进货，而手机销售网络非常下沉。一些人甚至会在卖场中进货，直接到街对面摆摊销售。“一些当地人也习惯在街边买手机，连个柜台都没有，他们甚至不习惯到专卖店买手机。”,皇冠官方网,注册下载送5块,皇冠游戏大全最新版。

  12月26日,报告：跨界消费、胡同新生等成2025年北京消费关键词,不同于金融市场投资者日常交易的需求，储备资产的安全性、流动性和资产属性的要求决定了央行难以将黄金ETF作为主流渠道增加黄金敞口。,凯发官网平台,凤凰彩票登录官网,美高梅国际现金娱乐。