猫眼电影记者 姜学魁 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：纬来体育体育外围

  12月26日,青海德令哈：上百只岩羊山脊奔腾,李家超还表示，错放国歌事件也涉及谷歌搜索器出现有关国歌的不正确资讯。他说，谷歌作为一个大机构，对于确保国歌资讯正确有道德及法律责任，希望谷歌可以与特区政府共同找出办法解决。李家超称，根据谷歌公开的公司政策显示，公司不会容许错误或违法资讯在搜索器内出现，他认为谷歌有责任及方法处理好相关问题。,cmd体育平台官网。

  12月26日,增强供需适配性 打开万亿级消费新蓝海,经研究，聘任徐平、石晟怡、吴盛悦、高一斌为中国通用技术（集团）控股有限责任公司外部董事，朱鸿杰不再担任中国通用技术（集团）控股有限责任公司外部董事职务。,临武通天报,欧亚国际登录网址,棋牌斗牛平台。

  时事2：澳门威尼斯人唯一网址

  12月26日,第十六批赴南苏丹（瓦乌）维和部队出发,在核心项目与潜力项目路演环节，四个聚焦重大未满足临床需求的创新项目依次亮相。包括了眼科、肿瘤、代谢性疾病等行业热门治疗领域和技术路线。现场，来自泰格医药、和泽医药的临床与药学专家及多家基金代表，从临床价值、差异化竞争格局、关键数据里程碑与可行性评估等多维度进行提问与点评，为项目团队提供了具有可操作性的优化建议。,hl8登录,云顶娱乐app官网,雷速体育指数版下载。

  12月26日,受降雪影响 青海部分路段实行交通管制,12月11日，信银理财表示，新增江苏丹阳农商行、江苏涟水农商行、江苏泗洪农商行作为代销机构。,天博平台怎么样,金沙手机娱乐,188体育登录上网导航介绍。

  时事3：美高梅正网平台

  12月26日,航拍陕西秦岭雪后美景,具体来看，今天，江西中东部、浙江南部、福建西部和北部、湖南南部、云南东南部、广西中北部、广东中北部以及吉林东部、辽宁东北部、山东南部等地部分地区有大到暴雨，其中，江西东部、福建西北部、广西东北部等地部分地区有大暴雨。,新王者普京网站,二八杠如何打庄,365游戏娱乐平台。

  12月26日,全国首批“油改电”公务船舶在长江干线投用,他说，“我告诉学生们，这种攻击异见人士的方式在法庭上行不通。也许这是我们社会的发展方向，但这在我的法庭上行不通。”,皇马国际娱乐线路,庞博国际真人,366体育网址多少。

  时事4：英亚体育黑不黑

  12月26日,山河永念！悼南京大屠杀死难同胞,2019年7月，王超卸任外交部副部长，担任外交学会党组书记、会长。外交学会成立于1949年12月，是新中国第一个专门从事人民外交的机构。,国际英标真人发声版,乐虎国际娱乐官网,国际服吃鸡跳舞动作怎么获得真人版。

  12月26日,山西偏关：交通升级赋能 铺就民生与发展通途,对比之下，这笔研发投入在分散至算法优化、产品迭代、市场拓展等多个领域后，真正投向内容安全防御的份额究竟有多少，能否支撑起抵御黑灰产持续冲击的需求，已成为外界质疑的焦点。黑灰产的技术手段借着低成本试错快速升级，短视频平台的防御投入若未能聚焦、形成规模效应，便难以构建起真正的“铜墙铁壁”。,体球网足球旧版,bet365网站为什么打不开,亚美体育官网电话。