猫眼电影记者 鲁家港 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：分分彩app下载

  12月27日,公交车变寻亲信息栏 重庆一公交线路张贴失踪儿童信息助寻亲,如果不是认为中国可靠，不是认为中国能办成这件大事，沙伊双方也不会在对话中断后接受中方斡旋。,Bet九州入口。

  12月27日,《行政执法监督条例》自2026年2月1日起施行,据公开资料，郭宁宁，女，汉族，1970年7月出生，辽宁沈阳人，1999年3月加入中国共产党，1994年7月参加工作，研究生学历，经济学博士，注册会计师。她是第二十届中央候补委员。,凯时登录不上去,澳门金沙电子游戏网,赌博十大网址。

  时事2：贝博bb平台体育app下载

  12月27日,江西赣州：“口袋体育公园”受热捧 民众家门口享健康生活,据介绍，唐家成于1952年出生，香港金融学院院士，曾出任香港证监会主席、毕马威中国前主席，目前担任港交所独立非执行董事、促进股票市场流动性专责小组主席。,银河国际家网,金沙体育APP,e乐彩手机在线登录客户。

  12月27日,WTT香港总决赛男单半决赛：王楚钦因伤退赛,坚持出作品与出人才相结合，拓展思维，增强合力，努力为人才施展才华搭建平台，提供舞台；,华体会官网地址,365网址,欧冠滚球app。

  时事3：华体汇体育官网入口

  12月27日,福州：巧克力博物馆吸引参观者,“有些地区出现了多个国际航空枢纽的格局。比如华南的广州、深圳，西南的成都、重庆、昆明，西北的西安、乌鲁木齐。但与成渝不同的是，西北地域辽阔，西安与乌鲁木齐距离非常远，两个枢纽生态位截然不同。”,AG8是不是黑网,足球手机比分,188体育官方下载。

  12月27日,飞机上真的有“最安全座位”吗？,2021年12月28日，诺泰生物与一家名为“浙江华贝药业有限责任公司”(简称“浙江华贝”)的企业签署《药品技术及上市许可持有人权益转让协议》，约定将某项药品技术及相关权益以3000万元价格转让给浙江华贝。公司据此在2021年年报中确认了3000万元营业收入及2595.16万元利润。,亚星好玩吗?,火狐app,潮汕心经A。

  时事4：鼎龙娱乐城

  12月27日,高原武警举办故事会 共话奋斗强军,公摊面积之所以常被诟病，一方面是因为其内涵、计算方式太过于专业复杂，且标准不统一，购房人难以弄明白，也不愿为“看不见”的面积多花“冤枉钱”；另一方面，是因为随着更多高层、高档楼盘入市，在房价本就相对较高的一二线城市，购房者需要为公摊面积花费更多购房款。,so米体育app下载,pg电子游戏平台,手机打鱼app。

  12月27日,1—11月中国财政收入同比增长0.8%,之后，约翰逊还特意转发了他人放大两人亲吻场景的图片，以示吉尔·拜登和埃姆霍夫不是在亲脸颊……,爱赢体育官方网站,金豪棋牌中心,皇冠电子网投。