研究人员开发了CodeShrink，一个旨在提高多模态大语言模型（MLLMs）处理源代码效率的新框架。该系统包含三个关键组件：无空白渲染，用于消除来自空白符的token；自适应压缩配置，使用强化学习为每次输入优化设置；以及主导Token选择，用于修剪不相关的视觉token。评估表明，CodeShrink可以将视觉token使用量减少高达71.2%，同时在代码问答、克隆检测和代码补全等任务上保持或提高性能，优于现有的基于文本和视觉的压缩方法。 AI
影响 提高了处理代码的多模态模型的效率，可能降低成本并改善代码相关任务的性能。
排序理由 该集群包含一篇详细介绍多模态大语言模型新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Adaptive Compression Configuration
- autocomplete
- Blank-Free Rendering
- Clone detection in automotive model-based development
- code question answering
- CodeShrink
- Dominant Token Selection
- Hugging Face
- MLLMs
- Multimodal Large Language Models and Tunings: Vision, Language, Sensors, Audio, and Beyond
- reinforcement learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
