arXiv · 机器人与计算机视觉· Ye Xiao, Shesheng Song, Yi Ren, Shasha Li, Bin Ji, Xiaodong Liu, Jun Ma, Jie Yu·· 2 天前AI 评分62
超越 Token 堆叠:面向 MLLMs 的多尺度视觉调制与自适应融合特征校准
Beyond Token Stacking: Multi-scale Visual Modulation and Adaptive Fused-feature Calibration for MLLMs
AI 导读
针对现有多模态大语言模型存在冗余视觉 token 或移除图像输入导致知识激活受阻的问题,本文提出 Beyond Token Stacking (BTS) 框架。
来源:arXiv · 机器人与计算机视觉 · arxiv.org