猫眼电影记者 刘剑华 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1：12bet 开户

  12月25日,云南楚雄州：示范创建谱新篇,资料显示，中国医药作为国有控股企业，在医药行业具有重要地位。高渝文任职的2018年至2021年，恰逢公司在全国范围内布局医药商业网络，构建贸、工、技、服一体化产业格局的关键阶段。,皇冠官方下载。

  12月25日,过去5年 山西省属煤企产煤1/3用于能源保供,在周期低点，生产企业通常会主动减产、降低资本开支，通过供给端收缩的方式形成新的供需平衡。,巴黎人转盘,爱游戏体育最新入口,世界杯怎么买球步骤。

  时事2：888真人手机版注册

  12月25日,专家解读：长三角发展的“四重机遇”与一体化密码,该行分析师在一份报告中指出：“2025年是供应严重受阻的一年，数个大型矿山遭遇了重大的运营挑战。”并补充道：“总体而言，我们认为市场处于明显的供应短缺状态。”,积分斗地主苹果版,斗牛棋牌官网,365bet体育在线app官网。

  12月25日,中国海军989编队抵达印度尼西亚进行友好访问,“我们研究发现，当地县域乡村居民对资金的年化无风险回报预期基本在2%，这是一个明显的分水岭。在一年期存款利率跌破2%后，居民存款意愿明显下降，取而代之的是固收类理财产品认购热情活跃。”李卓向记者透露。这种趋势驱动他们对引入银行理财子公司的产品格外迫切，目前他们正与一家股份制银行理财子公司磋商合作协议条款。,澳门线上ag平台,豪门国际,188bet金博宝手机版。

  时事3：必发app最新版

  12月25日,年均发放高龄补贴29亿元 陕西推进养老服务提质增效,12月27日晚，圣元环保（300867）连发两则公告，就6000万元私募理财巨亏事件披露最新进展：公司及三位核心高管因未及时披露重大损失，收到厦门证监局警示函；同日，公司控股股东、实际控制人朱煜煊与朱恒冰，承诺对投资本金损失进行先行补偿，最大限度保障公司及股东利益。,金博宝app,富婆,AG旗舰。

  12月25日,“‘十五五’时期经济社会发展与统一战线” 学术研讨会在南宁举办,证券日报网讯 12月26日，瑞德智能在互动平台回答投资者提问时表示，公司暂未布局太赫兹领域。未来如有相关进展，公司将严格按照信息披露规则及时履行披露义务。,sbobet登录,letou国际米兰手机版,356体育投注平台。

  时事4：大发登录网址

  12月25日,报告：中国家庭留学选择更务实 高性价比目的地受青睐,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。,赌场游戏官网,博狗扑克官方,bet356亚洲版在线体育投注。

  12月25日,财经观察：中国冰雪经济开启“万亿”新赛道,半年内连续两次中标签约，神州控股与上海仪电的合作正稳步迈向深入。双方的合作典范，充分展现了国企与科技企业通过持续协同、互信共赢，共同赋能城市数字化转型、推动区域产业智能化升级、促进数字经济高质量发展的巨大潜力与广阔前景。,鸭脖体育登陆,真钱在线斗牛游戏,乐博开户。