猫眼电影记者 赵平 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：斗地主诀窍

  12月25日,报告：未来十年中国能源结构呈“煤减、油气稳、非化石升”特征,其中，仅广东一省就有4所高校，包括1所新增、1所更名为大学、2所“升本”——新增设置深圳理工大学，佛山科学技术学院更名为佛山大学，广东轻工职业技术学院、肇庆医学高等专科学校分别“升本更名”为广东轻工职业技术大学、肇庆医学院。,乐鱼官方正式。

  12月25日,热门地区出境机票预订量增长超四成,中亚位于欧亚大陆的心脏地带，是连接东西方的战略通道，历来是大国竞逐之地。虽然由于历史和语言文化等方面的原因，俄罗斯在中亚的影响力最大，但中亚国家一直奉行多元平衡外交，追求独立自主。,亚新体育全站APP,斗球app安卓版,梦幻国际真人炸金花。

  时事2：365体育官网

  12月25日,一觉醒来声音嘶哑，这波流感多从嗓子“下手”,对西北城市来说，机场的作用尤为重要。西北不沿海，也没有内河航运。依托铁路和机场打造枢纽，形成开放门户，无论对区域还是全国而言，都具有经济与战略的双重意义。,购买胜负彩平台,365体育足球即时比分,沙巴体育亚洲版。

  12月25日,济南大明湖地铁沿线发现龙山文化城址,6月15日白天，安阳东部、濮阳、新乡、焦作、洛阳东部、郑州、开封、商丘、平顶山、许昌、漯河、周口、南阳、驻马店、信阳大部最高气温将升至37℃以上，其中漯河南部、周口南部、驻马店部分县市最高气温将升至40℃以上。请注意防范。上述地区的相邻县市（区）也需关注。,德国韦博官网,沙巴体育在线登陆,博亚体育app下载。

  时事3：九州平台首页

  12月25日,企业做公益不难，难的是坚持,以每周周五时间作为观测点，环比上周五，曲线熊陡变动，1年期AAA存单收益率目前录得1.6425%。,新三昇体育,bt365博彩app2019最新地址,凯时国际官方在线。

  12月25日,全国花样滑冰锦标赛开赛 130名顶尖选手齐聚冰城,“当年李娜一度手握13个国内外知名品牌代言，而郑钦文在奥运夺冠之前已有10个代言品牌。”纪宁认为，网球目前在中国的热度已今非昔比，李娜时代已奠定的中国网球经济的热度，在郑钦文夺冠后会被逐渐引爆。纪宁还表示，网球作为全球顶级的职业体育和商业体育项目，正逐步释放巨大的产业经济空间。,互博国际,足球外围盘口网官网,单机游戏下载排行榜。

  时事4：bet体育注册开户

  12月25日,香港廉署就大埔宏福苑大维修工程贪污调查再拘捕3人,“美政府摧毁了北溪天然气管道”——美国资深调查记者西摩·赫什曝出的“猛料”引发巨大反响，美国白宫等部门密集否认相关指控。“棱镜门”曝光者、素有美国“吹哨人”之称的爱德华·斯诺登也就此作出回应。,九游会官网登入首页,天博体育平台登录,ky开元棋牌链接。

  12月25日,此行间·“不打领带”的友好交流，习近平向马克龙这样介绍中国“治”慧,毕马威会计师事务所合伙人、美国汽车行业负责人伦尼・拉罗卡表示：‘回想几年前，行业里的论调还是“如果不全面押注电动汽车，车企最终只会走向破产，企业的终值将归零”。而如今，事实证明，多动力路线的技术布局才是行之有效的策略，我们此前将其称作‘多元化动力矩阵’。’,线上真钱赌场,万博官网手机版,日博亚洲365官网。