猫眼电影记者 蔡哲琪 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：世界杯买球合法吗

  12月29日,教育部：高中要严格控制考试次数,分产业看，今年一季度，佛山一产增加值47.56亿元，增长3.9%；二产增加值1500.65亿元，下降0.3%；三产增加值1324.44亿元，增长2.7%。其中，二产出现负增长，反映工业动能偏弱，成为拖累经济增长的关键所在。,365在线手机。

  12月29日,探寻新时代发展足迹｜“医圣”故里：药香飘全球,而且，此前公司为了拓展医药商业板块进行的多笔并购，留下了商誉风险——2024年，中国医药针对通用技术辽宁医药有限公司计提商誉减值损失约1.28亿元；截至今年前三季度，中国医药的商誉余额为9.96亿元，作为对比，公司去年归母净利润为5.35亿元。,申搏sunbet,篮球投注平台有哪些,澳门威斯尼人最新网站。

  时事2：168足球

  12月29日,宁夏七旬匠人巧手“化朽木为神奇” 枯木根雕焕发艺术新生,“关税法二审稿将原产地基本规则纳入关税法，符合税收法定原则。原产地规则直接关系税率，这是税收法定原则的核心要素，必须纳入关税法。”施正文说。,九游会平台地址,云顶官网赌场,银河直播平台app下载。

  12月29日,2025首届博鳌金融强国大会开幕 共商金融赋能实体经济新路径,1978年，国家启动“三北防护林”工程。三北是西北、华北及东北的统称，这个横跨整个北方的防护林工程体系，集中涵盖了风沙危害和水土流失严重的区域。“三北防护林工程”被誉为世界上“最大的植树造林工程”，科尔沁沙地是造林重点。它横跨三省区、涉及面积7760万亩，科左中旗的希伯花镇也是这沙地环绕的一部分。,新开游戏,亚慱体育app苹果官网下载,杏彩体育平台。

  时事3：最好的滚球app

  12月29日,美军“闪击”委内瑞拉，这3个小时发生了什么？ | 国际识局,为了落实《办法》相关要求，李卓所在的农商行正着手对合作机构实行名单制管理，主要将国有大型银行与股份制银行理财子公司纳入合作范畴。此外，他被要求制定覆盖产品准入、销售、存续期管理及投诉处理的全流程内控制度，还被要求在考核范畴里加入产品销售合规性、客户投诉率等指标。,必威官方网站体育网站,美高梅最新版本下载,365bet手机版官网。

  12月29日,第三个10万亿大省官宣！谁是下一个？,顺利完成舰炮对海射击后，光电兵通报发现海上不明目标逐渐向编队靠近，各艇随即展开对海轻武器实弹射击。随着多个海上目标被摧毁，编队机动转入下一训练海区。航渡期间，编指通报，雷达探测到末制导雷达信号，各艇快速调整好航向航速，再次进入战斗状态。,世界杯在哪里买球好,大三巴在线,必发集团官网平台。

  时事4：1980彩app官网app下载

  12月29日,沙特王储兼首相穆罕默德会见王毅,截至2024年，全球央行的黄金储备在总量和价值上都达到了历史性的高位，总储备量达到3.6万吨，接近布雷顿森林体系时代的水平。按市场价格计算，黄金价值已经突破4万亿美元，去年黄金占全球外汇储备的比例已经升至20%，超越16%的欧元，仅次于46%的美元，一举成为全球第二储备资产。,世界杯投注开奖结果,凯时买球,jdb夺宝游戏。

  12月29日,新疆维吾尔自治区人民检察院原党组书记、副检察长郭连山被查,4月24日，港交所在公布2024年一季度的财报的同时，也迎来了重要的管理层变动。唐家成正式接替史美伦，成为港交所新一任主席。,48个国际音标口型真人示范,游艇会游戏app网址,葡京体育外围官网。