猫眼电影记者 千渭 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：真人视讯AG

  12月26日,长春各界人士悼念南京大屠杀死难同胞与抗战英烈,2016年9月，台州万邦置业将其持有的信达财险1.25亿股转让给中国铁建投资集团有限公司（以下简称“中国铁建”）。此后，中国铁建进入，信达财险股东数量变为17家，更为分散。,酷游平台主页ly04ee。

  12月26日,泰国重申停火必要条件 柬埔寨暂无回应,而在今年以前，该公司股东大会上极少出现反对票，仅2023年9月的第四十次临时股东大会上《关于修订公司章程的议案》有0.5亿票反对。,明升最新备用网址,manbetx网页版手机版登陆,BOB在哪里玩。

  时事2：世界杯足彩彩票网站

  12月26日,“税”获选马来西亚年度汉字,北京市京师律师事务所合作人卢鼎亮在接受贝壳财经记者采访时表示，是否有回旋余地取决于多方面因素；欧盟的反补贴调查程序包括初裁、终裁等阶段；目前初裁阶段认定加征关税，作为行业代表和企业所在国政府可以进行谈判。,环球国际开户,奥讯比分,188体育比分手机版。

  12月26日,数据破壁垒 办证不停运！海上运输跑出“加速度”,钟自然严重违反党的政治纪律、组织纪律、廉洁纪律和生活纪律，构成严重职务违法并涉嫌受贿、故意泄露国家秘密犯罪，且在党的十八大后不收敛、不收手，性质严重，影响恶劣，应予严肃处理。,棋牌电子游戏官网,二八杠棋牌,纬来体育真人百家乐。

  时事3：bet365赌场网站

  12月26日,起底“职业背债人”的灰色产业链,Mysteel、SMM等多方数据显示，今年7月样本锂云母矿山总产量达到1.61万吨，8月份骤减至0.9万吨左右，到今年11月时进一步萎缩至0.7万吨左右。,杏悦娱乐平台下载,球探网体育苹果版下载,永利体育平台。

  12月26日,【东西问】陈纳德外孙女嘉兰惠：在美国讲述飞虎队的故事,全球安全倡议当然不是空话，沙伊对话成为有力践行全球安全倡议的一次成功实践。,必威手机版本登录,品尊国际,云顶国际注册彩金。

  时事4：幸运快3平台

  12月26日,辽宁构建中小学生诚信教育全链条,研究发现，过去20年，政府（包括平台）、非平台企业和居民新增债务在全部新增债务中的占比大概是4：4：2。债务发展也经历了三个阶段：高增长期资本密集型企业是主力；2012年至疫情前，平台和居民是新增债务主力；疫情后政府和非平台企业（制造业和小微）成为新生力量。,世界杯投注多少倍奖金,世界杯足球投注,E世博手机登录。

  12月26日,【籽籽同心】中国“西极”的暖心故事：守护国门也守护人心,冯波表示，以套内面积计价，一方面，让购房人对购房成本更直观。因为建筑面积含了公摊面积，较使用面积大，而套内面积与实际使用面积比较接近或者可能还小于使用面积。另一方面，有利于预售商品房面积差异处理。按照《商品房销售管理办法》，商品房买卖合同未作约定的，按以下原则处理：面积误差比绝对值在3%以内（含3%）的，据实结算房价款；面积误差比绝对值超出3%时，买受人有权退房。,皇冠棋牌官网,博亿,188bet金宝搏开户。