猫眼电影记者 张馨心 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：吉祥体育登录

  12月27日,学习规划建议每日问答｜怎样理解完善区域创新体系,最后打个广告：希望我们金证股份、钐烽科技能为在座各位的数字化转型，尤其是业务转型，贡献科技赋能的力量。我们是一家科技公司，参加这次论坛也希望与更多朋友进行同业交流，为大家穿针引线。无论是金租还是商租，我们都希望进行行业交流，谢谢大家！,环宇足球俱乐部。

  12月27日,克宫：暂无普京与特朗普新年之前会晤的消息,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。,博天堂平台网址,鸿博网彩彩票注册地址,千赢国际苹果版。

  时事2：银河登录正网

  12月27日,今年前11个月 我国货物贸易进出口总值同比增3.6%,那么，为什么是中国？王毅给出两个关键词：中国是“善意”“可靠”的斡旋者。,手机在线网投,什么是mg游戏平台,中北彩民特码报(新)。

  12月27日,中国外交部：侵华日军731部队犯下罄竹难书的反人类罪行,证监会调查发现，就在技术转让合同签署前后，诺泰生物正筹划对浙江华贝进行增资。2022年初，诺泰生物向浙江华贝注资数千万元。,真钱炸金花手机游戏,真人斗地主赚钱的游戏,世界杯怎么投注赢得多。

  时事3：亚愽app官网下载

  12月27日,受权发布丨全国人民代表大会常务委员会关于召开第十四届全国人民代表大会第四次会议的决定,地缘政治冲突仍存不确定性，扰动全球经济增长前景和市场风险偏好。,欧博官网abg,正规买球平台官网,必博在线买球。

  12月27日,甘肃现代寒旱特色农业全产业链产值将达6200亿元,车企高管们坦言，特斯拉的成功让同行纷纷效仿，试图复刻其发展路径。但车企们始终没能认清一个事实：消费者愿意买单的是特斯拉，而非所有品牌的电动汽车。,可提现的彩票平台,加多宝娱乐城,2017年至2020年。

  时事4：bt游戏平台官网

  12月27日,全岛封关看海南：企业能享受哪些红利？,在高质量发展的大背景下，今年初，佛山正式晋级“工业3万亿俱乐部”时，就有声音指出，要谨防佛山制造落入“叫好不叫座”甚至“赔钱赚吆喝”的窘境。过高的传统产业比重，也可能带来“路径依赖”效应，制约产业结构实现脱胎换骨的升级。,球球体育官网,9Q体育官网,九州体育BET9登陆。

  12月27日,WTT香港总决赛：“莎头组合”王楚钦/孙颖莎大比分击败林诗栋/蒯曼组合,财政部、中国人民银行定于2025年12月26日上午9：50至10：20，通过中国人民银行中央国库现金管理商业银行定期存款业务系统进行2025年中央国库现金管理商业银行定期存款（十四期）招投标。本期操作量600亿元，期限14天，起息日为2025年12月26日，到期日为2026年1月9日（遇节假日顺延），以利率招标、多重价位中标方式面向中央国库现金管理商业银行定期存款业务参与银行进行招投标。,九州betapp下载,bwin在线开户,酷游平台地址ku111登录。