跳到正文
arXiv · 机器人与计算机视觉· Chenxu Wang, Hangyi Kuang, Bo-Wen Yin, Yuxuan Li, Quan-Sheng Zeng, Yang Zhang, Xu Guo, Xiang Li, Qibin Hou·· 2026-10-15精选AI 评分78

WinARDet:用于长视界视觉语言定位的压缩窗口自回归方法

WinARDet: Compressed Window Auto-Regression for Long-Horizon Vision-Language Grounding

AI 导读

该研究针对多模态大模型在密集场景中因历史答案注意力接管导致的坐标重复生成问题,提出了压缩窗口自回归(WinAR)机制。该方法将长序列划分为连续生成窗口,仅对当前窗口进行全 token 级自回归,并将前序窗口压缩为固定数量的潜在 token 以条件化后续解码。

推荐理由

针对密集场景下多模态大模型检测器的坐标生成循环崩溃问题,提出压缩窗口自回归机制以平衡历史依赖与注意力分配。

来源:arXiv · 机器人与计算机视觉 · arxiv.org