猫眼电影记者 邱扬琳 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：贝博app体育在线登录

  12月29日,与“台独”分裂势力勾连，被外交部反制的日本人岩崎茂是谁？,参与运营北京奥林匹克森林公园西畔的国家网球中心两片红土网球场地的维宁体育创始人、CEO纪宁8日告诉《环球时报》记者：“本就稀缺的网球场馆在郑钦文夺冠后变得更加炙手可热，现在根本都约不上。”,新澳门棋牌官网。

  12月29日,悉尼邦迪海滩枪击案现场：附近路段封控 多名警员驻守,2026年1月资金面扰动因素核心围绕“信贷、政府债缴款、税收、春节取现”展开。,SDY体育平台,世界杯球彩怎么买,ag真人游戏网站app下载。

  时事2：bbin体育官网手机版

  12月29日,聚焦“十五五”可持续交通发展 2025明湖论坛在京举办,欧美紧缩货币政策的影响或超预期，拖累全球经济增长和资产价格表现。,九州体育娱乐官网,365bet,街机网。

  12月29日,（经济观察）明年首要经济任务聚焦内需 中国打造强大国内市场,“在高校、国企和开发区成立人民武装部，是落实党管武装制度的重要举措，更是自觉履行国防义务、积极支持国防建设的具体实践。”市委常委、西宁警备区政治委员巢建国说。,微球体育官网下载,yabo直播视讯,bet356官网在线。

  时事3：巴黎人app下载

  12月29日,人工智能赋能智库研究新书发布 推进“人智”“机智”深度融合,“当有足够多像这样的孩子进入法律行业，法治会堕落为野蛮行径。”因此，邓肯要求斯坦福大学必须严厉惩罚此次参与抗议的学生，并解雇法学院副院长斯坦巴赫。,胜负彩官网,澳门捕鱼手机网址,赌神猴报。

  12月29日,缅怀先烈 致敬和平 多地开展国家公祭日主题教育活动,考克斯汽车行业洞察总监斯蒂芬妮・巴尔德斯・斯特里蒂表示：‘汽车电动化的长期发展方向依然明确：未来终将是电动化的时代。但行业的发展节奏，正迎来重新校准。短期内，车企会持续调整战略，大幅扩充混动车型的产品阵容，以此贴合当下消费者的真实需求。’,购买世界杯足球彩票,澳门电玩网站,火萤棋牌ios版。

  时事4：凯发app地址

  12月29日,天津第二届室内蹦极国际锦标赛启幕 中外选手跃动海河之畔,赵秀池则有不同的看法。她提到，公摊面积怎么计量，已有相应的法律法规，只是专业性较强，不为一般老百姓掌握。维持现状更有利于楼市平稳健康发展，避免由于住房面积计量口径的改变导致的各种收费标准的调整，也便于楼市的长期数据的积累与比较，更有利于科学决策。,美高梅电玩城手机app,火狐登录官网,牛牛网站开户。

  12月29日,这份“九三健康大礼包”请家中老人查收,总量上，本周存单净融资规模为-3，219.10亿元，发行进度（月初至今发行量 / 月度到期量）为80.7%，未来一周有2，949.40亿元的同业存单到期，其中未来一周主要到期期限集中在12个月期（1527.8亿元） >6个月期（465亿元）>3个月期（303.5亿元）。,银河国际官网,宝博游戏官网是多少,网上二八杠怎么可以玩。