猫眼电影记者 巴斯塔克 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：澳门js登录

  12月21日,“中泰一家亲”文化旅游研讨会在曼谷举行,美团数据也显示，7月以来，“网球”搜索量同比去年增长超60%。网球体验课、网球培训季度课包在平台热销，美团上网球运动相关团购订单量同比激增172%。,天博赌场网站。

  12月21日,香港金紫荆广场下半旗向大埔宏福苑火灾罹难者志哀,最新的一条推文，则是斯诺登转发的美国第三任总统、《独立宣言》起草者杰斐逊说过的一段话：如果一个国家期望在国民无知的情况下却拥有自由，那么这种期望无论在历史上，还是未来都绝不会实现。,万博网页手机版,AG正规游戏,心博天下注册App。

  时事2：哪里可以赌篮球赛

  12月21日,26年来逾500万吨鲜活产品经拱北口岸供应澳门,特朗普曾对拜登政府最后一年制造业岗位流失表示不满，并提及自己上任初期该领域出现的初步增长。但美国劳工统计局数据显示，2025 年 11 月美国制造业就业人数较 4 月减少约 6.7 万人。,快乐炸金花app下载,yabo22vip电竞,沙巴在线试玩。

  12月21日,【讲习所·中国与世界】“让海南成为新时代中国改革开放的示范”,马兴瑞指出，要把发展特色优势产业作为主攻方向，高质量建设“八大产业集群”，因地制宜培育新质生产力，加快产业转型升级。,九游会网址多少,华球直播,亿游国际II。

  时事3：贝博体育平台app下载

  12月21日,重庆多地启动重污染天气黄色预警,吉林省统计局介绍，一季度，全省服务业增加值同比增长5.7%，对全省GDP贡献率达53.5%。1—2月份，全省规模以上服务业重点行业营业收入同比增长26.5%，增速比上年同期加快18.0个百分点，其中规模以上软件和信息技术服务业、多式联运和运输代理业、科学研究和技术服务业营业收入分别增长42.5%、41.5%、38.7%。,金沙澳门官方网,亚洲十大赌场排行榜,金宝博体育投注。

  12月21日,2025年江西省武术散打搏击联赛在德兴圆满落幕,此前担任福建省委常委、福州市委书记的林宝金，已于今年1月任省人大常委会副主任、党组副书记。,188体育上盘滚球,bet36体育比分直播,鸭脖体育app在线下载。

  时事4：188体育登录首页

  12月21日,新华社评论员：确保“十五五”开好局起好步——一论学习贯彻中央经济工作会议精神,2024年一季度，上海、北京、深圳、广州GDP分别为11098.46亿元、10581.4亿元、8314.98亿元和7161.14亿元，增速分别为5.0%、6.0%、6.4%和3.6%，相较于去年同期回暖趋势明显。,必赢官网网址多少,ROR手机版登录,cq9跳高高2大奖视频。

  12月21日,直击海南自贸港全岛封关：第一批外国人领取就业许可、居留许可,一国的力量有限，中亚五国抱团取暖、联合自强，对外用一个声音说话，有利于地区利益的最大化。近年来，中亚五国在跨界水资源使用、边界划分等方面的矛盾有所缓解，中亚两个大国哈萨克斯坦和乌兹别克斯坦从过去争当地区老大更多转向合作。中亚国家越来越倾向于作为一个整体来布局外交，已与中国、美国、俄罗斯、日本、欧盟等多方建立C5+1机制。,澳门一沙金网址娱乐网站,万博官方网站入口,正规买篮球app排行。