猫眼电影记者 邱丽 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：新mg游戏网站登录入口

  12月28日,新疆：乌鲁木齐局地中雪 民警保障交通出行,从技术突破到生态共赢，赛意信息正以“国产化+智能化”双翼，深度融合AI前沿技术，持续推进智能建模、智能服务编排、预测性维护等前沿创新场景在赛意工业物联网平台的应用，以自主创新，安全可信的技术与场景化的服务，为企业提供“自主、安全、高效”的工业物联网整体解决方案，为行业客户创造更大价值。,世界杯现金赌球网站。

  12月28日,江西德兴汇聚统战力量 助推民营经济高质量发展,北京时间10日，沙特伊朗在中国的斡旋下，宣布达成协议，重新恢复外交关系。对此，也门政治评论人士默罕默德·沙姆桑在接受总台记者采访时表示，沙特和伊朗在也门冲突中扮演了重要角色，两国关系的改善，也让深陷冲突的也门人民看到了希望。,1xbet体育官网,申博免费试玩,炸金花app靠谱。

  时事2：世界杯手机淘宝买球

  12月28日,甘肃1600多年历史的马蹄寺石窟群“转危为安”,CNN称，在地缘政治紧张局势不断加剧的背景下，北约在日本开设联络处标志着这个西方联盟的“重大进展”。,篮球投注app下载,五福会,澳门游戏网平台。

  12月28日,江苏南京：“铭记历史 珍爱和平”主题海报展揭幕,曙光信息称，于今年4月20日披露《关于公司董事收到立案告知书的公告》，所述立案调查事项已调查、审理终结。上述处罚决定主要涉及李国杰个人，不会对公司生产经营产生重大影响，目前公司经营情况正常。未来将以此为鉴，进一步加强培训宣导，督导全体董事、监事、高级管理人员严格遵守有关法律法规的规定，同时强化对亲属行为的监督管理，避免此类事项再次发生。,必发投注登录,皇冠365官方APP,炸金花注册。

  时事3：金沙电玩城手机版下载

  12月28日,重庆出台治理欠薪信用监管办法 工资支付信用将分等级,降水引发帕哈罗河水位猛涨，冲垮一段大约30米的堤坝。蒙特雷县超过8500人收到疏散命令或警告，包括大约1700名帕哈罗社区的居民。抢险人员和加州国民警卫队彻夜从洪水中救出超过50人。一段视频显示，国民警卫队员从齐腰深的水中帮助一人从汽车里脱困。,金宝搏bet188手机网址,ebet,利博国际备用。

  12月28日,香港大埔宏福苑援助基金总额达到11亿港元,后天，江南大部、四川南部、云南东北部、贵州大部、华南中北部等地部分地区有中到大雨，其中，湖南东部、江西中北部、浙江中南部、福建北部、广西东北部等地部分地区有暴雨或大暴雨。,飞禽走兽破解版,BOB官网APP,老虎机官方网站下载。

  时事4：bck体育平台跑路了

  12月28日,国际观察｜同舟共进 逐浪前行——2025年中国与东盟合作提质升级,兰州机场T1+T2面积8.9万平方米，去年吞吐量超过1700万人次，可以说不堪重负。乌鲁木齐机场T1+T2+T3面积18.48万平方米，需要承载超过2700万人次的吞吐量。,天辰娱乐登录测试,leyu乐鱼登录,AG娱乐官网。

  12月28日,雪后故宫吸引游客参观游览,要围绕商贸、教育、医疗、文化、旅游等领域，加强国际往来、扩大人文交流。,捕鱼达人2原版,博天堂最新地址,大菠萝棋牌。