猫眼电影记者 肖若海 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1：188bet网址

  12月28日,【央视快评】不断巩固拓展经济稳中向好势头,报道还援引正在参与救援工作的前记者奥泽尔·皮卡尔（Ozel Pikal）的说法称，他认为至少有部分灾民在气温降至零下6摄氏度时被冻死了，“没有人从废墟中活着出来”。,AG真人视频。

  12月28日,海南封关需要知道的10件事,新京报讯 据广东省纪委监委消息：广东省肇庆市政协原副主席赵志毅涉嫌严重违纪违法，目前正接受广东省纪委监委纪律审查和监察调查。,博狗网址,亚游平台登录,试玩pg电子游戏网址。

  时事2：比分188

  12月28日,福建发改委主任孟芊谈2026年经济工作：福建数字化赋能智能化改造走在前列,中国政法大学财税法研究中心主任施正文告诉第一财经，根据2016年相关规定，跨境电子商务零售进口商品需要按照货物实际交易价格来征收关税和进口环节增值税、消费税，并对限额内给予零关税、进口环节增值税、消费税打七折的优惠政策。普通消费者通过跨境电子商务平台来缴税比较难管控，所以现行规定关税等代收代缴义务人有三类，分别是电子商务企业、电子商务交易平台企业或物流企业。,水浒传单机游戏,博雅德州下载最新版,疯狂玩德州真钱版下载。

  12月28日,（走进中国乡村）广东电白小渔村“念活”40亿元对虾养殖“新农经”,A股今日（12月23日）走势出现明显分化，以保险、银行为首的大市值个股拉升，小盘股走势疲弱；港股午后下探，恒生指数翻绿。,永利国际登录网址,大发竞彩官网,百人斗牛下载。

  时事3：世界杯网站足彩

  12月28日,外媒：澳大利亚邦迪海滩发生枪击事件,据宁波市海曙出租汽车服务中心李贵春介绍，截至6月12日下午，已有50余人提交《超过法定退休年龄驾驶员从业资格证延续注册登记表》并参加体检，此次政策调整预计释放约2000名驾驶员资源。,365bet网站平台,亚娱体育,威尼斯人手机版登录地址。

  12月28日,探路干线物流自动驾驶 四川港投开启实证行动,“在东欧发生的事情不仅仅局限于东欧的问题，而是直接影响到太平洋这一边的局势。这就是为什么在东亚的我们和北约之间的合作正变得越来越重要。”林芳正说。,澳门皇冠视频现在地址,ManBetX万博在哪玩,喜盈棋牌。

  时事4：网球连连看

  12月28日,上海市浦东新区人民检察院原检察长曾国东被“双开”,与此同时，为着力破解“产业不连片、工业不成带”，大项目找不到落脚点难题，佛山不断拓展产业空间、重塑产业格局，把工业用地规模由350平方公里调整为450平方公里，并举全市之力建设佛北战新产业园和“双十园区”。,博亚体育app官方最新下载,体育投注世界杯,果博快速登陆。

  12月28日,解锁银川幸福密码：让民生温暖直达人心,即将举行的中国-中亚峰会脱胎于“中国+中亚五国”合作机制。这一机制的建立，直接原因是过去已有的合作机制跟不上中国与中亚合作的需求。,AG亚游集团只为非凡,虎牙游戏平台,澳门皇冠app安卓下载。