猫眼电影记者 潘绥铭 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：吉祥斗地主手机版最新版

  12月24日,山西晋城解锁冬日出行“暖密码”,针对赫什的报告，俄罗斯外交部发言人在社交媒体Telegram上写道，“所有人都要求我对这位美国记者的调查发表评论。我们一再表明俄罗斯对美国和北约（一次、二次、三次、四次、四次、五次、六次）参与这次袭击的立场。”,狗万平台。

  12月24日,杂技与国乐同台对话 《国风雅韵·奇技华章》在京上演,尽管北京人寿在公开宣传中多次强调其风险管理“向‘深’‘精’‘专’方向推进”，并称风险综合评级已连续13个季度保持在BB类及以上，但此次监管处罚无疑是对其自我宣称的风控成效打上了一个问号。它揭示出，在快速的业务发展和规模扩张过程中，公司的内部管理精细化水平可能未能同步跟上，为未来的稳健经营埋下了风险隐患。,极速体育平台,天博国际app下载,葡京集团游戏官网。

  时事2：bg下载

  12月24日,习近平对未成年人思想道德建设作出重要指示,12月15日，浙商银行召开专题党委会，党委书记、董事长（拟任）、行长陈海强主持会议并在讲话中提出三点要求：,188金宝愽,千赢国际从来没赢过,澳门威尼斯人官方网站。

  12月24日,江苏东海：车辆起火 环卫车变“消防车”紧急灭火,12月15日，国任保险召开第四十七次临时股东大会，审议《关于修订公司章程及附件的议案》，此次议案虽成功通过，但其中有6.01亿票反对、0.3亿票弃权。,正规网投平台百老汇,最大的AG真人网站是哪个,亚洲体育app。

  时事3：im体育平台下载

  12月24日,新华鲜报·“十四五”发展亮点|中国“大市场”不一般！内需平均贡献率86.4%,主要资产管理公司的基础设施和房地产部门，如Blackstone和Brookfield，近年来已显著增加了对数据中心资产的敞口。据美国房地产投资信托基金协会数据，上市房地产公司在2024年将数据中心投资增加了15%，同时缩减了对写字楼和公寓等传统领域的投资。私人资本同样在跟进，CBRE对92家主要投资者（包括私募股权和养老基金）的调查显示，95%的受访者计划增加对数据中心的投资。,凯发娱乐手机登陆,大发888经典版手机版下载,捷报足球即时比分。

  12月24日,残特奥会“两活动一计划”在广东中山启动,“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。,亚盘app哪个靠谱,UedBet赫塔菲官网,世界杯在哪哪投注。

  时事4：环亚注册登陆

  12月24日,关西机场预计中国航班数将减少三成 日媒忧经济冲击加剧,美国锐联全球顾问公司创始人许仲翔表示，在人工智能赛道的竞争中，美国在创新方面具有优势，而中国则在工程技术、制造业以及电力供应领域占据上风。,现金mg安卓版,赢钱的手机游戏,口袋app彩票。

  12月24日,国际观察｜同舟共进 逐浪前行——2025年中国与东盟合作提质升级,决心虽坚，但挑战也不小。中信建投面临的首要问题就是缺少鸿蒙开发人才，而鸿蒙团队也迅速响应、提供了诸多支持，为中信建投开发团队组织专项培训，帮助他们用时三个月就推出了首个Beta版本，跑出了传统金融业拥抱新生态的“鸿蒙速度”。,威尼斯城注册送28,上海娱乐招工在线投注,可以体验的抢庄牛牛棋牌。