猫眼电影记者 贾树新 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1：八路足球

  12月25日,浙江义乌成中国首个外籍人员参保突破万人县级市,“目前，中国对欧洲的汽车出口量占中国汽车总出口量的约40%，中国对欧盟地区的汽车出口量在中国汽车总出口量的占比不到30%。”在洪杨看来，目前欧盟加征关税对中国汽车企业出口有一定的压力。如果加征关税实施，后续可能会导致车企去欧洲、东南亚建厂，绕过中国本土出口的限制；从供应链或者当地渠道商角度来看，可能会存在一些博弈，通过降本等方式调整在欧洲终端市场的售价，从而降低影响。,九州bet9手机登录入口。

  12月25日,贵州民航产业集团有限公司原党委书记李仕炅被“双开”,新京报讯 据国家空间天气监测预警中心消息，国家空间天气监测预警中心5月11日9时发布地磁暴红色预警：北京时间2024年5月10日23时起发生地磁暴，最大级别达到超大地磁暴（Kp=9）水平，预计未来24小时，磁暴过程仍将持续，后续仍可能发生大地磁暴。,最新彩金网址导航,365体育备用网站,金百利国际真人娱乐24。

  时事2：乐百家559手机版

  12月25日,第二届浙江海外社团联谊大会举行,机构对黄金后市依然保持乐观。高盛在最新报告中指出，在央行结构性高需求与美联储降息带来的周期性支撑下，预计到2026年12月，黄金价格将上涨14%，升至4900美元/盎司。,澳门黄冠,球探体育比分直播,永利集团全部网址。

  12月25日,2025-2026赛季中国冰壶联赛收官,半年不到，便获得了来自资本市场及产业界的积极反馈。9 月，来自全球上市发售的吉利 AI 科技大六座旗舰 SUV 银河 M9 也搭载了 MiniCPM 多模态模型，双方共同打造全新的人车交互体验，成为面壁在汽车智能座舱领域的又一代表作。今年 4 月，面壁携手长安马自达、梧桐科技共同打造的首款端侧模型量产车型——长安马自达战略级新能源车型 MAZDA EZ-60 已上市。,mg十大官网,萄京国际电子游戏,英皇体育官网下载安装。

  时事3：杏彩下载安装最新版

  12月25日,卢俊义扮演者王卫国怀念何晴,（文/邓文静 编辑/高莘）日前，2024北京CBD论坛中外车企圆桌对话会在北京举行。此次对话会以“全球合作、加速发展”为主题，汇聚了来自政府相关部门、行业专家智库、中外知名车企、国际组织、行业协会等领域的代表，为中外汽车产业的合作与发展搭建桥梁。商务部党组成员、副部长盛秋平出席会议并讲话。,澳门现金官网注册,kok买球,kb88凯时最新下载平台。

  12月25日,截至11月底沪市ETF规模破4.1万亿元 年内增50%,苏自申：男，1975年12月出生，2017年10月起任国任保险副总裁，2018年1月至2025年6月任财务负责人。曾任广州市市政工程维修处财务会计科财务总监，深圳市建筑设计研究总院有限公司董事、财务总监，深圳市笋岗华润置地发展有限公司副总经理。,竞技宝官网,bbin娱乐官网,微信 世界杯合法投注。

  时事4：扑克王官方网站

  12月25日,残特奥会：广东代表团金牌总数和奖牌总数位居全国第一,从资产端来看，该公司总资产规模整体扩张，在2015年至2017年间持续小幅下降，此后回升。2020年总资产突破百亿规模，随后至2022年间上升幅度较大，此时该公司正处于深化改革的良好阶段。2024年总资产再次下降4.01%至221.31亿元。今年三季度，总资产规模回升至230.37亿元，若平稳发展，能够超过2023年前高，达到历史新高峰。,黄金岛注册,沙巴体育平台滚球,澳门尼斯人游戏下载。

  12月25日,青海省果洛州铸牢中华民族共同体意识主题交流活动在上海启动,随着互联网的普及、人工智能的应用，越来越多的问题能很快得到答案。那么，我们的问题是否会越来越少？,美高梅注册上分,亚博国际体育,365bet安卓手机。