猫眼电影记者 杨宣 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：世界杯网上投注平台

  12月24日,第六届哈尔滨采冰节启幕,演练中各艇依次展开编队运动、大角度转向，情报侦察与电子防御等课目训练。此次训练，立足复杂条件淬炼兵力。突出指挥控制、人员协同配合、应急情况处置。发现解决疑难杂症，检验武器装备性能的同时进一步提升部队能战胜战能力。,奥门永利网站。

  12月24日,打造“生命驿站” 鄱阳湖白鹤救助站在江西永修揭牌,同期，虽然锂辉石提锂企业产量环比有所增长，但是上述期间月度产量增幅不过0.15万吨，这使得下半年以来矿石提锂整体产量明显回落。,韩服游戏,体育平台黑钱怎么举报,凤凰体育app在线。

  时事2：永利真钱网址

  12月24日,呼和浩特一烧烤店深夜起火致1人死亡,总结来看，今年高考期间南北方不少地区考生都免不了冒雨“赶考”了，建议受影响地区考生提前出发，关注临近预报、预警信息，做好防护；同时及时调整好心态，尽量降低天气对考试状态的影响。,金陵唐人游,白小姐救世民A（新图）,新宝网络彩票可靠吗。

  12月24日,贵州开展“小标的·大民生”专项执行行动 执行到位金额13.65亿元,该公司2024年投资收益出现巨额负值，同比下降317.55%至11.67亿元。这是其成立以来首次投资收益负值，数值超过了2022年的历史最高正收益。该下降趋势在2023年便有所显现，2023年下降48.18%至5.36亿元。连续两年的投资收益下降，也是导致2024年净利润大幅减少的因素之一。,国际至尊97娱乐,世界杯买球比分规则,手机在线网投。

  时事3：tvt体育彩票

  12月24日,千余名越野爱好者冬日赴锡林郭勒草原竞技,俄罗斯过去已经展示了许多在轨反卫星能力，战区称据信中国也对这种轨道反微信跟那个你感兴趣。去年，中国实践21号卫星（SJ-21）靠近北斗导航系统的一颗卫星，抓住它，并将其拖入所谓的“墓地轨道”，展示了另一种可用于压制对手天基系统的能力。,赚钱就这么简单,百姓彩票注册大厅,火狐在线注册。

  12月24日,云南澜沧县竹塘乡垃圾倾倒事件追踪：记者直击垃圾倾倒现场,陈方清：1952年出生。曾任中央金融工委组织部副部长，中国银监会监事会工作部主任、中国信达资产管理公司副总裁、幸福人寿执行董事、党委书记。2009年起任信达财险董事长、执行董事。2019年至2021年任黑龙江京蓝科技独立董事。,九游会官网登录AG,哪里有球探app下载,亚新体育网投。

  时事4：欧洲传奇官网

  12月24日,年内上海卖高端住宅揽金超千亿元 一线城市核心资产受追捧,施正文表示，关税法是首次立法，首次立法程序一般来说需要经过三次审议。由于部分条款还有待完善，且关税法涉及对外开放等，外界比较关注，预计三审概率大。,九游体育平台怎么样,线上买球大全,皇冠线上登录。

  12月24日,探访中国首家室内攀冰馆：打破季节限制解锁四季训练,这也意味着，对于那些迫切想要补上短板的高教弱省来说，努力的赛道方向有所转变——从外引到内培，必须更加重视本土高校实力的培养。,乐虎,黄大仙救世A加大版,买球的app排行榜。