猫眼电影记者 曾惠雯 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1：九五至尊投注世界杯

  12月29日,180件（套）澳门美术协会会员艺术作品集中亮相,“中药茅”片仔癀：“最差”财报终结二十年高增长神话，跌没1800亿,足球开户。

  12月29日,未婚先孕罚款3000元？村规民约不能超越法律边界,随着车企持续烧钱却收效甚微，再加上传统车企携重金入局、推出多款盈利困难的电动车型，电动汽车的行业狂热开始降温。,买球的app排行榜,ag平台官方网站,ag真人网注册平台。

  时事2：365bet国际官方网站

  12月29日,1月3日长三角铁路迎元旦假期返程客流高峰 预计发送旅客340万人次,习近平强调，中俄关系之所以能够取得这些显著成就，得益于双方始终做到“五个坚持”：,ku体育注册链接,澳博体育平台,世界杯盘口赔率网站。

  12月29日,日本青森县东部海域地震已致30人受伤,反观乌鲁木齐，偏居西北一隅的位置，为向西开放提供了便利。李瀚明指出，与乌鲁木齐类似的其实是哈萨克斯坦阿拉木图，两座城市都位于亚欧航路的中间点。利用空客A321XLR这样的远程窄体机，阿拉木图成功开航伦敦。在国内，乌鲁木齐是唯一一个用窄体机能直飞欧洲的航空枢纽。,百乐门官方开户,亿博入口登录,豪利棋牌老版本。

  时事3：淘宝下注世界杯

  12月29日,30多岁就中招，他们的心真的伤不起,美国借口同其盟友开展明显针对中俄的联合演习，着手采取行动在亚太地区部署陆基中导系统，双方对此表示严重关切。美方并声称将持续推进上述做法，最终实现在世界各地常态化部署导弹的意图。双方对上述极端破坏地区稳定、对中俄构成直接安全威胁的举措表示最强烈谴责，并将加强协调配合，应对美国对中俄非建设性、敌对的所谓“双遏制”政策。,万博手机版登录地址,世界杯靠谱买球官网,野马平台网页登录。

  12月29日,免密支付，便捷与安全并非只能二选一,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。,球探足球比分老版本,江南游戏网页版链接,四方棋牌斗地主。

  时事4：betbet365

  12月29日,国防部：菲方某些人睁眼说瞎话，还对中方反咬一口,据港媒此前报道，世界冰球锦标赛第三级别比赛2月28日在波黑举行，香港男子队分组赛出战伊朗队，并最终以11比1胜出。不过赛后播放国歌时，大会错播“修例风波”时的“黑暴”歌曲，时间约10秒。球赛视频显示，香港运动员按照中国香港体育协会暨奥林匹克委员会颁发的指引，做出“T”字手势叫停，有队员上前向赛会反映，大会随后道歉，并播出正确的中国国歌。,大家乐棋牌3,金沙所有登入网址,沙巴体育信誉官方。

  12月29日,王毅同文莱外交主管部长艾瑞万会谈,据国际网球联合会发布的《2021年全球网球报告》，2021年全球参与网球运动的人口有8718万人，中国以1992万人成为全球网球参与人数排名第二的国家，仅次于美国，占全球总网球人口的22.9%。同时，中国网球场的数量也为全球第二，达49767个。网球教练则以11350人位居全球第五。,真人斗地主2017,赢多多在线登录,手机彩票大平台下载。