English(EN) The Answer Knows Where to Look: Zooming before MLLMs Answer under Visual-Token Budgets

新的“ours”方法提高了MLLM对文本密集型图像的视觉理解能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-26 04:00

研究人员开发了一种新颖的方法，以改进多模态大型语言模型（MLLM）处理视觉信息的方式，特别是对于文本丰富的文档。这项名为“ours”的新技术引入了一个专用的“look”令牌，该令牌在模型生成答案之前学习识别图像中的相关区域。这种方法在严格的视觉-令牌预算下显著提高了模型从图像中提取证据的能力，在多个基准测试中优于现有的缩放和注意力引导方法。 AI

影响这项研究可能导致LLM更高效、更准确地处理视觉文档，从而提高它们在涉及图表、信息图和密集文本的任务中的效用。

排序理由该集群包含一篇详细介绍MLLM新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍MLLM新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Zhensheng Hu, Guanglong Xu, Guanqiang Hu · 2026-10-26 04:00

答案知道去哪里找：在视觉-Token预算下，MLLM回答前的缩放

arXiv:2610.32664v1 Announce Type: new Abstract: Multimodal large language models (MLLMs) read images through visual tokens, and under the small per-image budgets that efficient deployment requires, the fine text of documents, charts and infographics becomes illegible. Zooming in …

本文如何被排名

报道来源 [1]

答案知道去哪里找：在视觉-Token预算下，MLLM回答前的缩放

相关实体

相关话题