猫眼电影记者 付静宜 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1：2026卡塔尔世界杯网站

  12月22日,世界老乡@义乌丨也门演员哈姆扎：这座城是我的“中国奶奶”,去年，民航局、国家发改委联合发文《关于推进国际航空枢纽建设的指导意见》，画出国际航空枢纽的蓝图，提出“3+7+N”国际航空枢纽功能体系。,彩6娱乐手机端。

  12月22日,河南洛阳：“汉服约拍”受追捧,考克斯汽车的数据显示，受联邦购车补贴即将终止的影响，美国电动汽车销量在今年 9 月触及峰值，渗透率一度达到新车市场的 10.3%；而进入四季度后，电动汽车渗透率的初步预估已暴跌至 5.2%。,谁有cc国际彩球平台,彩票365官方网站,九五至尊入口登录。

  时事2：百老汇网站是多少

  12月22日,银杏“扮靓”上海街头“绘就”独特风景,——加强竞争政策领域互利合作，包括在商品市场（含数字商品市场）开展执法和保护竞争规则合作，为双方经贸合作创造有利条件。,体球网足球手机比分,撲克王app下载,亚星官网注册开户。

  12月22日,聚焦知识产权服务人工智能等 北京多部门协同推进新业态发展,以北京为例，今年“五一”假期期间，记者走访海淀某新盘项目。一名房产中介对记者表示：“这处新房单价较低，但得房率不占优势，在76%左右；旁边的次新房得房率约85%。按照新房8.2万元/平方米计算，相当于买100平方米的三居，要花近200万在公摊面积上。”,澳门百老汇所有网址,欧冠足球app下载,真金赌博大全app。

  时事3：天线宝宝内幕

  12月22日,第二届中俄国际室内乐音乐节闭幕 音乐为桥促交流,CNN称，林芳正特别提到了去年爆发的俄乌冲突，称其影响远远超出欧洲边界，迫使日本重新考虑地区安全问题。“我们讨论这个问题的原因在于，自从俄罗斯‘入侵’乌克兰以来，世界变得更加不稳定。”,日博开户网址,棋牌游戏门户,澳门太阳网站下载。

  12月22日,天山南麓378公里“气脉”成功投产,总体我们采用大中台框架搭建系统。以低空经济定制案例为例，无论是eVTOL、直升机、低空卫星还是储能电池，都可以用同一套系统支持。我们坚持“一平台多业务”，避免业务人员每接触新业务就要熟悉新系统。我们以强大技术底座快速响应市场多变的融资需求，从而完成系统建设。,顶级官方娱乐网站,365体验金,365bet体育开户APP平台首页。

  时事4：威尼斯人手机版官方登录

  12月22日,华南师范大学累计为澳门培养超2万名栋梁之材,近段时间以来，越来越多国家为避免在双边交易中使用美元，正计划创建自己的交易体系。例如，巴西和阿根廷一直在讨论建立共同货币。迪拜和印度一直在探索使用卢比交易非石油商品。此外，俄罗斯和伊朗合作推出一种以黄金为后盾的加密货币。到2022年底，美国财政部已回撤资金约4000亿美元，资金来源国也包括北约和欧盟国家。（海外网 ）,百老汇网投平台,老哥必备的交流社区,欢迎光临澳门威斯人。

  12月22日,“航模达人”高宪农：四十五年坚守 诠释航空航天科普情怀,纵观 2025 年关税政策反复调整的态势，唯一可以确定的是，2026 年关税仍将是影响美国经济与华尔街市场的核心变量，而特朗普也将继续坚定维护其关税政策。,永利体育免费试玩,如何购买世界杯足球,皇冠盘投注。