猫眼电影记者 王洛宾 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：看着人妻❌被别人🔞玩弄绿帽9㊙️1

  12月11日,第十八届闽台陈靖姑民俗文化交流活动福州启幕,西安咸阳机场T5，与北京大兴机场、成都天府机场航站楼面积相当。三座机场中规模最小的兰州中川机场T3，面积也相当于上海虹桥机场两座航站楼之和。,中国竞彩足球官网首页。

  12月11日,中华慈善总会：已募集近7000万元救灾款物帮扶香港火灾受灾同胞,近日，西宁曹家堡国际机场三期扩建工程通过竣工验收，为年内投运奠定了基础。,夫妇联欢回不去的夜晚男女主角是谁,国产传媒在线黄色网址,成❌熟艳妇🔞玉㊙️足脚交。

  时事2：白❌鹿🔞被狂c到㊙️高潮求饶哭

  12月11日,中国演出行业协会发布首份团播权威报告：行业已迈入价值转型期,纪宁说，目前中国青少年网球尤其是女子青少年网球，已经成为体育职业化和商业化领域一个风口。郑钦文夺冠能促进更多中国青少年加入网球运动。与此同时，中国网球训练场地和比赛场地硬件条件以及软件设施也在发生巨大变化，网球经济蕴含的巨大空间也随之逐步释放出来。,九九久久99总合视频,国际b站免费❌直播入口mba🔞智㊙️库下载,日本成片网站。

  12月11日,从“死亡之海”到“财富绿洲” 看塔克拉玛干如何点沙成金,阿拉木图人口近200万人，民航吞吐量规模在1000万人次；乌鲁木齐人口超过400万人，民航吞吐量规模在2700万人次。“新疆人均乘机次数更多，但乌鲁木齐国际旅客吞吐量不到阿拉木图的十分之一，国际货邮吞吐量更是阿拉木图的零头。” 李瀚明认为，换个角度，差距就是上升的空间。,❌51🔞77.㊙️tv草草影院,伊塔被摁着❌c出白色液🔞体㊙️,女生没有完全遮住网站。

  时事3：羞羞的漫画大全集

  12月11日,2025年深入学习贯彻习近平生态文明思想研讨会在福建厦门举行,纪宁说：“欧美国家的网球市场已逐渐进入饱和阶段，中国被认为可能带来新的爆发性增长点。”他认为，在中国这个网球新兴市场，应更充分地挖掘体育明星的商业价值。“这有利于全面释放中国体育经济的增长潜力。”,大专和全日制大专区别,2020人人操,中文字幕 日韩亚洲 国内。

  12月11日,教育对口支援新疆工作会议在乌鲁木齐召开,去年，民航局、国家发改委联合发文《关于推进国际航空枢纽建设的指导意见》，画出国际航空枢纽的蓝图，提出“3+7+N”国际航空枢纽功能体系。,欧洲无码A片人妻少妇久久尤物,▶️JasmineJae在线,小逼逼吃车震。

  时事4：女人👙摸🐻亲嘴动漫

  12月11日,为什么不要总对男孩说这句话,国家体育总局体育文化与体育宣传发展战略研究中心高端智库骨干专家、广州体育学院教授曾文莉告诉《环球时报》记者，体育具有较强的杠杆效应，以体育赛事表演为杠杆，能撬动城市基建、旅游、文化等，激活体育消费热情，推动体育产业能级提升，而这个杠杆的原动力主要是运动员尤其是明星运动员。,a√在线影院,女仆扒开🍑跪着让客人🍆🍆,日本黄色一级免费片。

  12月11日,贵州杂技剧《脊梁》赴瑞典巡演,依据有关规定，经中央纪委常委会会议研究并报中共中央批准，决定给予钟自然开除党籍处分；按规定取消其享受的待遇；收缴其违纪违法所得；将其涉嫌犯罪问题移送检察机关依法审查起诉，所涉财物一并移送。,啊啊啊啊啊啊快插快来了视频,荔枝视频app是个什么软件,动漫❌❌爆乳❌❌动漫原神技女水。