猫眼电影记者 晏永和 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：启航国际真人

  12月24日,“世界考古论坛·上海”架文明互鉴桥梁 展现22项全球代表性考古成果,报道称，这名网友12日在脸书发文称，上午和孩子跑遍她家附近的超市都没有买到鸡蛋，后来在便利店才买到最后2盒，她把买好的鸡蛋放在自行车车篮中，又想起漏买东西并再次进入便利店，她出来发现车篮空空如也，惊觉刚买的鸡蛋被偷了，直呼“我的天啊！这是台湾，这是台湾，我真不敢相信啊！”,抢庄斗牛5块可玩的。

  12月24日,给文物“做CT”？科技“硬核”护宝,放眼全国，在广东、浙江之后，还有更多“高教洼地”亟待崛起。一个最新趋势是，一些地方高教资源正加快向县域延伸布局。,千赢国际老虎机官网,彩票快三计划app,火狐平台首页。

  时事2：365bet买球

  12月24日,2025长春国际医药健康产业博览会：人参展区引民众参观,我国西部地域广阔，涵盖内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆等12个省、自治区、直辖市。,天博综合官网登录入口,OPE体育平台怎么玩,欧亿体育信誉度怎么样啊。

  12月24日,（经济观察）海南自贸港封关在即：解码开放“财富密码”,遇到类似情况的，还有村民汪绪金一家。汪绪金的妻子张青莲2009年做过一次良性肿瘤手术。2018年，张青莲又做了一次肾切除手术，事后去村里递交了大病补助申请，有关部门反馈说，“家里有营业执照，办不了。”,赢咖4注册平台,世界杯可以怎么投注,手机买球网站哪个好。

  时事3：y6英亚体育

  12月24日,2025能源及矿业下游化发展交流论坛在雅加达举行,而造成主营业务收入同比下跌的原因的主要是平均每日成交额下跌令交易及结算费减少、保证金与结算所基金的投资收益净额减少以及上市费收入减少。,大赢家体育蓝球比分,凯时ks首页,娱乐电子官网。

  12月24日,重庆发改委主任高健谈2026年经济工作：加快培育AI时代的新增长点,李东明：男，1971年1月出生。2017年7月加入国任保险，任执行董事、党委副书记、工会主席、董事会秘书。2024年10月任董事会秘书。曾任深圳市建业股份有限公司工业发展部投资管理科科长，深圳市建设投资控股公司经济师、资产管理部副部长，深圳市国资委产权管理处助理研究员、领导人员管理处副处长，深圳市投资控股有限公司人力资源部部长、董事会秘书、董事会办公室主任。,环亚登录入口,天博手机版登录,沙巴体育可靠吗。

  时事4：环球投注登录

  12月24日,探访中国首家室内攀冰馆 打破季节限制链接全球登山爱好者,环证国际证券集团首席执行官方颂贤表示，投资者应选择性增持那些在中国人工智能和限止领域 “自主化” 进程中受益的企业，同时将全球龙头企业保留在投资组合中。,华体会体育娱乐,亚游九游会,申博真人充值网站。

  12月24日,日媒：多个团体接连请求访华,然而，上市仅半年后，公司便面临业绩压力。2021年全年，诺泰生物披露净利润约1.26亿元，但市场对其增长可持续性存疑。在此背景下，一场“年末突击创收”的戏码悄然上演。,九游会在哪注册,ssp平台,赌博的游戏有哪些。