研究人员引入了持久视觉记忆（PVM），这是一个旨在解决大型视觉语言模型（LVLMs）中“视觉信号稀释”问题的新型模块。该问题会导致随着生成文本序列的增长，视觉注意力减弱。PVM作为LVLM架构内的并行分支，为视觉嵌入提供了一条直接通路，以维持感知，尤其是在复杂的推理任务中。在Qwen3-VL模型上的实验表明，在参数增加极少的情况下，准确性得到了显著提高。 AI
影响 解决了LVLM的一个关键限制，有望提高复杂多模态推理任务的性能。
排序理由 这是一篇介绍LVLM新模块的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.00814v1 Announce Type: new Abstract: While autoregressive Large Vision-Language Models (LVLMs) demonstrate remarkable proficiency in multimodal tasks, they face a "Visual Signal Dilution" phenomenon, where the accumulation of textual history expands the attention parti…
While autoregressive Large Vision-Language Models (LVLMs) demonstrate remarkable proficiency in multimodal tasks, they face a "Visual Signal Dilution" phenomenon, where the accumulation of textual history expands the attention partition function, causing visual attention to decay…