猫眼电影记者 左华 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：f66永乐国际手机版

  12月24日,【百万庄小课堂】还有人不知道食品数字标签？疾控专家：“多码合一”是未来方向,斯诺登2月9日在社交媒体推特上发文说：“在历史上，你们能想到白宫负责但坚决否认的秘密行动的例子吗？还有，你们都懂的，那个‘大规模监控’的乱子。”,完美国际体验服。

  12月24日,广西昭平官方回应八旬老人住山洞事件：已妥善安排其生活,“从以往反补贴调查案例来看，欧委会此次披露的临时关税水平基本符合预期。”屠新泉表示，中国纯电车型在欧洲性价比优势明显，加征关税后预计短期可能会对中国车企出口量有影响，但“不至于让中国车企完全出不去”。,澳门各大游戏网站,分分彩官方平台下载,pt老虎机平台送体验金。

  时事2：完美体育365注册

  12月24日,学习贯彻《习近平关于民政工作论述摘编》座谈会在京召开,2017年，彭昌国初入非洲。2021年，他接手亲戚的七个手机档口，把生意规模做到最大。到2023年回国时，彭昌国目睹了手机在非洲大地从市场“蓝海”变成“红海”。,bet36官网下载,365足球外365足球外围下载,彩神彩票官方网站登录。

  12月24日,广州：沉浸式岭南饮食文化体验餐厅吸引游客,双方注意到，当前，地区和全球性冲突不断，国际安全环境不稳定，包括核武器国家在内的国家间对抗加剧导致战略风险不断加大。双方对国际安全形势表示关切。,ob体育网址,必威亚洲备网,棋牌评测网。

  时事3：盈盛国际

  12月24日,航拍初冬日照：金沙碧海彩叶绘景,巴西空军已派遣人员与消防员前往分析残骸及撞击区域，事故具体原因仍在调查中。,银河电子,免费斗地主,王子棋牌送38元彩金。

  12月24日,综述｜日本有识之士强烈要求高市早苗撤回涉台错误言论,普华永道美国汽车行业负责人 C.J． 芬恩在接受采访时表示：‘多家美国车企均已宣布计提相关减值支出。此前，车企的布局不仅超前于消费者的真实需求，也远超美国当下的充电基础设施配套水平。’,线上赌博注册就送,188金宝怎么注册,皇冠备用。

  时事4：kk体育官网

  12月24日,从直播间到公益现场：初瑞雪携“瑞雪计划”探索商业向善长效路径,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。,威尼斯人微信充值网站登录,365bet平台客户端,环球体育bet。

  12月24日,“格桑花”开遍雪域高原 金融活水释放经济活力,液冷服务器等AI产业链股盘中走势活跃，截至收盘，申菱环境涨超13%；英维克尾盘涨停续创新高，市值突破1000亿元；鸿富瀚涨近9%亦创出新高，科创新源、强瑞技术等涨逾7%。,乐鱼leyu体育官网下载,皇家视讯下载,谁有bv网站。