共 2 篇相关文章
OpenVLHarness 提出能力层与持久多模态记忆架构，在 22 个基准上平均提升 9.7-12.6 分，并以更低 token 成本超越高推理预算基线，重新定义视觉智能体工具使用。
多模态大模型多图推理成本高昂，mmVB提出按需分配视觉token预算的即插即用方案，仅增1.6M参数即减少9倍视觉token，首token时间快5倍，prefill FLOPs少7倍，并在八个基准上保留94.4%全分辨率精度。
