猫眼电影记者 王辉 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：恒丰娱乐城

  12月26日,山西晋中：多元服务有温度 托起银龄“稳稳的幸福”,上海师范大学商学院教授、房地产与城市发展研究中心主任崔光灿对记者分析说，按套内面积计价由于面积的基础不同，单位面积的名义价格肯定会上升，但并不一定带来实际房价的上升，对于规范的企业来说，只是计价方式的变化，不会影响开发企业的总收入，对于购房人来说，也不会有购房总价的变化。,kaiyun官方入口登录。

  12月26日,陆军某团结合高原驻训任务培育官兵战斗精神,面壁智能 CEO 李大海表示，“感谢各投资方对面壁的认可与支持。我们致力于携手产业链合作伙伴，让高效端侧大模型运行在海量终端之上，为广大消费者带来创新、普惠的智能体验。在大模型行业赋能的加速时刻，处于国家政策利好、技术加快迭代、消费场景勃发的新发展阶段，面壁在本次融资后，必将乘势而上，加码投入，持续领跑端侧 AI 市场。”,买球最好的平台,银河游戏厅app,天博com体育。

  时事2：上葡京手机投注

  12月26日,大型国际航空展览暨会议在香港举行,空间中一个物体接近另一个物体并与之建立物理联系的能力有许多相对无害的军事和商业和民用上的应用应用。在轨检查、加油和服务都是美国军方和美国国家航空航天局（NASA）以及其他许多国家感兴趣的能力，这些能力可以帮助确保各种天基服务在和平时期和未来高端冲突期间不间断地运行。,AG平台登录,体育365下载安装,d88尊龙。

  12月26日,“00后”中国青年行走黄河畔 剪刀声里觅传承,上海交通大学财税法研究中心副主任王桦宇告诉第一财经，此次关税立法积极听取和有效回应社会公众的专业意见和诉求，并针对规则的可操作性作了进一步细化并采取法定形式固定下来。,欢乐赢三张,欢乐斗地主竞技,齐齐乐现金游戏。

  时事3：今日3d开奖号码

  12月26日,轻舟货运飞船初样件已完成多项关键技术验证：中国空间站将迎来 “商业化货运”时代,个股方面，胜通能源走出“8连板”；英维克午后涨停，股价创历史新高，总市值突破1000亿元；中际旭创成交额超140亿元，居A股个股成交额第一名。,betway必威app叫什么,捕鱼达人千炮版官方正版,365体育最新网址。

  12月26日,中央经济工作会议：鼓励支持灵活就业人员参加职工保险,紧接着4月17日，天山机场启用面积50万平方米的T4航站楼，这是新疆历史上最大单体建筑施工项目。,电子足球即时比分,拉霸老虎机游戏,鸿博体育线路检测。

  时事4：亚美AG旗舰厅吧

  12月26日,中国“大粮仓”粮食1600亿斤丰收背后的“科技驱动”,她说，“我总能感受到清华的底蕴和力量，不管什么时候我都牢记清华人的责任和使命，清正做人、踏实做事”“不管在什么样的岗位上，我都会坚持清华勤勉、钻研、敬业、扎实的风格”。,必赢亚洲官方网,博发网址是多少,世界杯热门投注。

  12月26日,多措并举打好“提振+扩大”消费组合拳 “真金白银”惠民生,Copyright © 1996-2025 SINA Corporation,新版捕鱼游,幸运破解器,bt游戏平台网页。