猫眼电影记者 曹小兵 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：真金视讯赌博

  12月26日,香港队的滚球比赛：不平凡的特奥之旅,美联储的政策动向一直是黄金市场的最重要风向标。12月10日美联储如期宣布连续三次降息，并启动技术性扩表。12月降息25个基点的决议遭到三票反对，暴露了决策层内部的巨大分歧。分歧主要源于一些决策者更担心劳动力市场降温，另一些人则认为美联储应优先控制高于目标的通胀。会后预测显示，多数官员预计明年仅再降息一次，六位官员倾向于维持利率不变。预示明年美联储进一步降息的门槛提高，降息步伐趋于放缓。,如何购买世界杯球衣。

  12月26日,通甬高铁建设“黑科技”：智能造桥机助力特大桥合龙,施正文表示，目前海关除了征收关税之外，还代征进口货物增值税、消费税。目前在海关法、增值税等其他法规中，已经明确了海关代征的进口货物增值税、消费税，适用关税征收管理规定，而不适用于税收征管法。草案二审稿对此再度明确，更为合理。,中国竞彩网世界杯投注,AG平台怎么代理,银河在哪注册。

  时事2：世界杯彩票外围投注

  12月26日,邮储力量，注入海南 南海潮涌，开放扬帆,路透社最新报道称，耶伦8日对记者表示，加强与中国在经济领域上的沟通交流非常重要。“我仍然希望能够访问中国，与经济领域的同行会面。但我没有任何具体的时间告诉你，我确实认为这取决于国务院和国防部（的决定），”她说。,捕鱼网站,吉祥体育官方入口,博狗网站登录。

  12月26日,混音29分惨负于国王 杨瀚森背靠背得14分,从“三驾马车”来看，西安投资增速为负，社消零增速仅0.1%，只有进出口增速达到7.4%，表现较为突出。而佛山进出口增速大幅下滑33.1%，投资增速和规上工业增加值增速则均未公布。,亚美am8官网app,ag线上注册平台,凯时平台注册网址。

  时事3：bet9最近网址

  12月26日,贵州石阡：仡佬医馆受年轻人青睐,数据要素要发挥经济价值，需要做到两三个月见效、以提升Global ROI为核心。宋碧莲指出，这背后是企业级综合经营战略的历史性变革：从“以产品为中心”转向“以用户为中心”，借鉴互联网的用户全生命周期价值挖掘逻辑——并非通俗所说的“割韭菜”，而是精准满足用户不同阶段的多元需求。,星际扑克下载,银河总站手机网站,365bet最新。

  12月26日,沪宁合高速铁路南京枢纽项目建设迎新进展,相比之下，最为了解行业的一线企业，则对接下来的需求端充满了信心。,巴黎人网投正网,新梅高美,火狐体育官网地址。

  时事4：淘宝世界杯彩票投注站

  12月26日,截至11月底沪市ETF规模破4.1万亿元 年内增50%,5月7日，昊海生科控股股东、实际控制人之一蒋伟因涉嫌内幕交易，被中国证监会立案。,羽林娱乐平台,ag最大平台,在哪里买球注世界杯。

  12月26日,探访济南机器人6S中心：家庭陪伴类机器人受热捧,2018年，国任保险虽实现扭亏为盈，取得1.71亿元的净利润，但此前该公司成立以来的累计亏损已达12.94亿元，填补亏损、摆脱经营困境成为了该公司的首要目标。于是，国任保险启动了深化改革。,官方k8网,米乐m6在线登录网页版,f88体育官网。