跳到主要内容
检索

# 视觉词元化

1 篇关联报道

订阅更新
  1. arXiv

    ResVision给视觉推理智能体加两道约束:按图像频谱定采样尺度,放大局部时保留整幅工作视图

    ResVision 是一套免训练框架,在视觉语言模型做局部放大检查时补上两个环节:按图像自身的高频结构选择全局采样尺度,并在每次返回放大裁剪图时同时附上完整工作视图。在四个前沿视觉语言模型和 29 个基准上,完整配置(Agentic Base+SMR+CPI)对每个模型都是最优主配置,四模型平均 Macro-29 为 75.93,比 Direct Base 高 3.88 分、比 Agentic Base 高 2.28 分。

已读完全部报道