猫眼电影记者 黄世铭 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：摩登彩票平台靠谱

  12月27日,2025循环经济产业创新发展大会在江西丰城举行,不少业内人士认为，这条海底隧道一旦建成，对于山东、辽宁这两个半岛省份，意义巨大。,云顶娱乐地址下载。

  12月27日,日本市场遭遇股债“双杀”,不过，部分全球基金经理认为，中国科技企业的发展潜力以及海外资金流入规模仍存在局限性。,百人牛牛炸金花,东方体育日报,AG平台游戏。

  时事2：od体育app官网下载安卓

  12月27日,南京大屠杀死难者国家公祭日：举行升国旗、下半旗仪式,值得一提的是，三座机场都在本轮扩建中新修了跑道，兰州、乌鲁木齐因此成为国内为数不多的三跑道机场，西安更是拥有了四条跑道。,AG视讯,千炮捕鱼娱乐手机版,B体育苹果下载。

  12月27日,新华述评·2025中国经济回眸｜坚持在开放合作中育新机拓新局——中国与世界共享机遇共同发展,卢鼎亮认为，中国汽车企业可以根据WTO的补贴和反补贴措施协议，提起贸易争端的纠纷解决机制，政府和相关协会机构也可以进行磋商谈判。,188体育盘口十佳平台,即时比分网,必博真人百家乐。

  时事3：Fun88首页

  12月27日,专家学者谈“推动中国自主的知识体系成果走向世界”,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。,葡京下注网站,网投体育平台怎么样啊,看4张牌的抢庄牛牛app。

  12月27日,2026澳网亚太区外卡赛落幕 布云朝克特收获男单外卡,风控原本是核心业务系统的牵头方，现在可能更多由业务部门牵头。但风控始终是融资租赁的痛点。以低空经济为例，我们将风控分为设备风险、运营风险、客户信用风险三大块，建立模型嵌入系统。这样在租前、租中、租后都能清晰看到数据爆发时代的风险预警，这是人为难以做到的。,kok官网登录,米乐m6体育投注,网上真钱。

  时事4：永利体育官方

  12月27日,走进南京鼓楼镜观科技潮涌数智创新,违背组织原则，不如实报告个人有关事项，在组织函询时不如实说明问题，在干部选拔、职工录用工作中为他人谋取利益并收受财物；,天博官网登陆网站,亚新体育网页版,世界杯全球投注量。

  12月27日,平陆运河土石方开挖突破3亿立方米,第二招是嘴硬，对中国作用选择性失明。当被问及中国在帮助美国盟友沙特和敌人伊朗实现团结方面发挥的不同寻常的作用时，柯比顾左右而言它，称白宫认为内部和外部压力，包括沙特有效威慑伊朗和其代理人的攻击，最终将德黑兰带到了谈判桌前。,世界杯下注在哪里,世界杯买球appob007·vip,玖富娱乐官方下载。