猫眼电影记者 闵喆 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：葡金娱乐场

  12月24日,2025“金砖科创孵化园”协作交流活动举行 厦门八举措助跨境科创孵化,“亚洲是全球经济增长引擎，在全球事务中扮演着非常重要的角色，在科技创新、环境保护、社会治理、国际热点问题等方面，都展现出了强大的实力和影响力。在此举办会议是共同推动创新潜力的良好契机，并为亚洲乃至世界的可持续经济发展势头奠定基础。”陈黎明表示，欢迎更多来自各国的代表共同推动全球合作与创新。,天博体育APP苹果。

  12月24日,山东济南：市民乐享雪后风光,圣元环保表示，公司将持续跟踪基金赎回进展、维权案件推进情况及实控人补偿承诺的履行情况，严格按照相关规定及时履行信息披露义务。,博狗网页版,亚美体育官网app,利来娱乐网。

  时事2：云顶娱乐的官方网站

  12月24日,2025年茶产业综合产值将突破万亿元 迈入量质提升新阶段,航天员 李广苏：携带了两个毛绒玩具，这两个毛绒玩具是我女儿小时候的安抚玩偶，伴随着孩子出生以后到上幼儿园整个的成长经历。为了把这两个毛绒玩具带上天，我还专门下了一番功夫，专门从商场里面买了两个差不多的新玩具，然后从她手里边哄过来了。,AG电子平台,完美体育怎么下载,云顶怎么开户。

  12月24日,香港“大埔宏福苑援助基金”总额达到约36亿港元,彼时信达财险的建立，更多是为了其大股东中国信达服务。作为信达财险的首任董事长，陈方清在该公司发展初期主导了战略定位。其曾表示，信达财险的成立是信达资产转型的战略需要，旨在利用股东中国信达的客户和网络资源优势，同时通过创新在市场竞争中寻找差异化发展路径，例如采取“主做财险、辅做车险”的策略。,乐动体育全站app,猎豹国际真人cs俱乐部怎么样,体球网。

  时事3：现在外围足球用什么软件

  12月24日,2025特步泉州晋江马拉松赛开跑 海内外选手畅跑世遗路,会议围绕企业社会责任信息披露趋势、ESG价值核算、ESG评级体系及ESG战略实践等内容展开深入研讨，并展示了陕西企业在ESG与可持续信息披露方面的探索与阶段性成果。会议同期发布了“2025陕西企业可持续信息披露名单”“金蜜蜂2025陕西优秀企业可持续发展报告榜”以及入选《2025金蜜蜂企业可持续发展蓝皮书》案例证书等重要成果。,必发好玩吗?,爱游戏网站是多少,百家乐刷水平台。

  12月24日,【图片故事】并肩在南亚——第16批中国援尼泊尔医疗队纪实,股东大会出现不一致声音的情况从今年起一直存在，国任保险今年8月召开的第四十六次临时股东大会上，通过了选举独立董事孟宾的议案，此次议案同样有6.01亿票反对。今年4月召开的第四十五次股东大会通过了多项报告与议案，其中《关于公司2025年度财务预算方案（草案）的议案》遭到6.5亿票反对。,全球赌场排名榜二十名,澳门新威利斯人,葡亰娱乐平台。

  时事4：世界杯投注怎么算赔率

  12月24日,百万亩荒山变绿的背后——在海拔3900米植树造林究竟有多难,2024年，西安机场旅客吞吐量4703.04万人次，排名全国第11位；乌鲁木齐机场旅客吞吐量2776.57万人次，排名全国第18位。西安去年GDP为13317.78亿元，排名全国第21位；乌鲁木齐去年GDP仅为4502.16亿元，排名全国第74位。,亚美体育官网登录入口,威斯尼人游戏平台,皇马球迷俱乐部论坛。

  12月24日,广东自然岸线保有率逐年下降趋势得到根本性扭转,2025年是黄金历史上无法绕开的一个年份，不仅因为单年黄金价格大幅上涨，贵金属可以说众多资产中表现最为优异，更重要的是当前央行黄金储备3.6万吨，接近布雷顿森林体系时代，且当前央行持有黄金的市值超过4万亿美元，超过欧元储备，直逼美元。,立博博网址,线上电子赌城,金沙唯一官方娱乐场。