Lin Chen

新的DIPE方法解决了多模态LLM中的视觉衰减问题

研究人员开发了一种名为距离不变位置编码（DIPE）的新位置编码方法，以解决多模态大语言模型（MLLM）中的“视觉衰减”问题。该问题会导致MLLM随着文本序列的增长而失去对视觉标记的关注，使文本生成脱离视觉上下文。DIPE根据模态交互来解耦位置编码，为模态内交互保留局部结构，同时为跨模态交互锚定感知邻近性。当与多模态RoPE集成时，DIPE已显示出在长上下文场景中保持稳定的视觉基础，而不会牺牲在标准基准测试上的性能。