跳到正文
arXiv · 机器人与计算机视觉· Liwei Che, Yihao Quan, Sen Fang, Hongyi Wang, Ranjay Krishna, Ruixiang Tang, Vladimir Pavlovic·· 2026-10-06精选AI 评分82

ConvStack:克服 MLLM 计数困境的个体化与聚合瓶颈解决方案

Why MLLMs Struggle to Count: Overcoming Individuation and Aggregation Bottlenecks with ConvStack

AI 导读

该研究指出多模态大语言模型(MLLMs)在处理细粒度视觉计数时存在困难,主要源于 Vision Transformer 处理图像块时的独立性与注意力压缩导致的表示坍缩。

推荐理由

本文通过机制分析揭示了多模态大模型在计数任务中的个体化与聚合瓶颈,并提出轻量级架构 ConvStack 以解决这些问题。

来源:arXiv · 机器人与计算机视觉 · arxiv.org