猫眼电影记者 爱德华·詹纳 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：大赢家体育彩票

  12月22日,“中泰一家亲”文化旅游研讨会在曼谷举行,双方对日本向海洋排放福岛核污染水表示严重关切，要求日本以负责任方式安全处置福岛核污染水，接受严格国际监测，尊重有关国家开展独立监测的要求。,m6米乐网官网。

  12月22日,看图学习·回眸2025丨创新发展，总书记强调“坚定不移走下去”,相比于赔付支出，手续费及佣金、业务及管理费虽也处于增长，但增幅不大，2024年分别为17.05亿元、27.57亿元。,yabo22vipapp下载,金沙电玩城下载,葡京注册平台官网。

  时事2：国际上的真人游戏下载

  12月22日,中央经济工作会议：加紧补齐北方地区防洪排涝抗灾基础设施短板,米聚资本合伙人陶磊与和基投资合伙人张哲表示，“面壁让我们看到技术创业者的稀缺特质，既有对学术前沿和行业发展的敏锐洞察，又有将研究成果转化为商业化方案的强大执行力，不盲目追逐热点，而是聚焦端侧智能持续攻坚。我们愿以资本为后盾，助力面壁走向更大的舞台。”,AG娱乐游戏大厅,尊龙手机网页版下载,智博体育app官网。

  12月22日,印度尼西亚代表团访问天津大学 推动两国教育科技合作,今年前三季度，快手在研发方面的投入达到103.48亿元，同比增长18.3%，约占总营收的10%，连续多个季度保持增长。从公开表述来看，这些研发资源重点投向AI、大数据分析等前沿领域，用于强化业务竞争力。但此次大规模黑灰产攻击的爆发，让外界对这笔不小的投入能否转化为有效的安全防护能力打上了问号。,6up扑克之星亚洲版下载,必赢亚洲电竞平台正规吗,米乐最新地址。

  时事3：电竞宝官网

  12月22日,多国大学校长聚焦AI变局：需加强国际合作携手“破局”,4月22日，中国金融四十人论坛（CF40）以“如何平衡债务增长与债务风险”为主题召开了CF40宏观政策季度报告（2024年一季度）发布会，就上述问题发表了研究成果和研究建议。,bwin真人投注,世界杯买球平台基fc3_tv,体彩世界杯冠军投注。

  12月22日,多国人士：海南自贸港将为全球商贸带来新机遇,从“缺生态”到“建生态”，从“单点攻坚”到“系统共创”，鸿蒙正与成千上万的开发者一同，在挑战中重构信任，在协作中重塑规则——这条路虽难，却因同行者众，而越走越宽。,途游棋牌,必博体育,九五至尊正版游戏官网。

  时事4：suncity8099com

  12月22日,香港大埔火灾独立委员会将在9个月内完成调查报告,此外，当前很多AI仅提升文本/图片加工效率，而非真正的决策AI——决策AI是判断“说什么能打动用户、用什么渠道转化最高”，这才是促成理财、保险、基金销售的关键。,九州怎么注册,世界杯买胜负让球,bet36棋牌。

  12月22日,第二十三届国际潮团联谊年会在广东潮州开幕,全市场杠杆率上升。（1）银行间周度市场杠杆率抬升0.49pct至116.73%；（2）商业银行杠杆率下降0.15pct至102.99%；（3）广义基金杠杆率抬升0.86pct至114.34%；（4）券商杠杆率抬升13.41pct至217.30%；（5）保险杠杆率抬升1.90pct至135.28%。,app软件有病毒吗,SBOBET体育,万博官网欢迎你。