猫眼电影记者 陈德光 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：金年会 金字招牌

  12月24日,数百名日本民众再集会要求高市撤回错误言论,在会见国泰集团行政总裁林绍波时，自治区党委书记马兴瑞表示，希望国泰集团发挥优势，和新疆共同运行好直航航线，不断提升吸引力和可持续性。着眼更大范围、更宽领域拓展双方互利合作，助力新疆经济社会加快发展，打造亚欧黄金通道和向西开放桥头堡。用好新疆区位优势，积极开拓中亚等区域市场，实现更大发展。,金沙城中心网站。

  12月24日,东西问｜张安福：从千年唐蕃古道历史看汉藏民族交融,高检网4月29日消息，全国政协人口资源环境委员会原副主任，陕西省政协原党组书记、主席韩勇涉嫌受贿一案，由国家监察委员会调查终结，移送检察机关审查起诉。日前，最高人民检察院依法以涉嫌受贿罪对韩勇作出逮捕决定。该案正在进一步办理中。,金沙澳门下注,中欧官方,雷竞技官网。

  时事2：半岛官网链接入口

  12月24日,平粮台古城遗址博物馆新馆开馆试运营,郭宁宁是第二十届中央候补委员，她此前担任福建省委常委、常务副省长、省政府党组副书记、省委金融工委书记。,世界杯买球怎么分奖金,ca88亚州城会员登录,九游官方下载安装。

  12月24日,诸葛亮飙英文、唐僧反内耗……AI“二创魔改”边界在哪？,同一日，香港交易所发布业绩公告显示，香港交易所第一季度收入及其他收益为52亿港元，同比减少6%；第一季度净利润为29.7亿港元，同比减少13%。,pg电子游戏套路是什么,世界杯买球ab82*net腾飞,IM体育网址。

  时事3：完美体育官网首页入口

  12月24日,天山南麓378公里“气脉”成功投产,西安咸阳机场T5，与北京大兴机场、成都天府机场航站楼面积相当。三座机场中规模最小的兰州中川机场T3，面积也相当于上海虹桥机场两座航站楼之和。,开yun体育app官网入口,ag真人世界杯玩法,黄金城xhjc官方网站。

  12月24日,公安部有关部门负责人就2025式人民警察制式服装列装答记者问,2025年12月19日，由金蜜蜂智库、陕西省工业经济联合会、西北政法大学ESG研究院、西安市上市企业协会联合主办的第十八届中国可持续信息披露国际研讨会西安专场圆满召开。本次会议聚焦企业可持续发展信息披露前沿议题，汇聚各界代表，围绕可持续发展趋势与陕西企业实践的深度融合展开深入交流。,九州体育外围官网,手机上玩二八杠能赢钱吗,优德网址。

  时事4：互博国际客户端下载

  12月24日,青海“铸牢中华民族共同体意识”文学实践活动开幕,综合来看，北京人寿是一家站在十字路口的公司。它凭借灵活的策略和对市场机遇的把握，实现了财务数据的快速改善，但其可持续发展能力正面临多维度的考验。,贝投体育网址,MG电子体育APP,7m体育。

  12月24日,男子被五步蛇咬伤致截肢！这些“个性伙伴”其实是“致命威胁”,2025年12月20日晚，由中央广播电视总台精心打造的《鸿蒙星光盛典》正式播出。这场科技盛会原计划于11月28日举行，后因香港大埔发生火灾，为表达对生命的尊重与对受灾民众的深切关怀，主办方决定推迟播出。最终，这场虽无现场观众却通过屏幕联结起无数目光的特别呈现，以云端相聚的方式，完成了跨越时空的温暖共聚。,百家乐必胜方法官网,体育投注有哪些,沙巴安全吗。