共 1 篇相关文章
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。
