惯性聚合
高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文
在惯性聚合中打开
即将跳转到惯性聚合
3
在聚合应用中查看完整内容和互动
立即跳转
取消
推荐订阅源
cs.AI updates on arXiv.org
G
GRAHAM CLULEY
Cyberwarzone
Cisco Talos Blog
I
Intezer
V
Vulnerabilities – Threatpost
C
CERT Recently Published Vulnerability Notes
AWS News Blog
L
LINUX DO - 热门话题
AI
Webroot Blog
W
WeLiveSecurity
O
OpenAI News
T
Threatpost
L
Lohrmann on Cybersecurity
S
Secure Thoughts
cs.CV updates on arXiv.org
T
The Exploit Database - CXSecurity.com
C
Cyber Attacks, Cyber Crime and Cyber Security
C
CXSECURITY Database RSS Feed - CXSecurity.com
Security Archives - TechRepublic
S
Security Affairs
V2EX - 技术
Cloudbric
Google DeepMind News
Stack Overflow Blog
N
Netflix TechBlog - Medium
P
Proofpoint News Feed
F
Fortinet All Blogs
G
Google Developers Blog
K
Kaspersky official blog
Microsoft Security Blog
Recorded Future
云风的 BLOG
T
Troy Hunt's Blog
N
News | PayPal Newsroom
Google DeepMind News
Martin Fowler
Recent Announcements
P
Proofpoint News Feed
T
The Blog of Author Tim Ferriss
L
LangChain Blog
A
About on SuperTechFans
D
Docker
WordPress大学
V
V2EX
Simon Willison's Weblog
M
MIT News - Artificial intelligence
T
Threat Research - Cisco Blogs
Attack and Defense Labs
thinkingReed
ColPali：使用视觉语言模型的高效文档检索
VisionThink：通过强化学习实现高效的视觉语言模型
ChartMoE：使用混合专家架构的图表理解方法
PACT：基于剪枝和聚类的Token减少方法
DocLayLLM：一种用于富含文本的文档理解的高效多模态大语言模型扩展方法
mPLUG-DocOwl 2：高分辨率文档理解的布局感知压缩方法
mPLUG-DocOwl 1.5 研究报告：模型架构与位置编码机制
mPLUG-DocOwl：面向无OCR文档理解的统一结构学习
QG-VTC：基于问题引导的视觉Token压缩方法
MinerU 技术报告：高精度文档内容提取解决方案
StrucTexT：多模态Transformer的结构化文本理解框架
TabPedia：统一的表格理解视觉语言模型
Pix2Struct：截图解析作为视觉语言理解预训练方法
TextMonkey：用于文档理解的无OCR大型多模态模型
Swin Transformer：分层视觉Transformer
Vision Transformer：将Transformer应用于图像分类任务
DocPedia：频域方法实现高分辨率文档理解
领域特定的大语言模型用于通过有标签数据监督微调的暖通空调系统故障诊断
将知识从大模型迁移到小型下游模型
基于标记级相关性引导的压缩方法以实现高效的多模态文档理解
2025-08-04
·
via
thinkingReed
目前的多模态大模型在在高分辨率文档图片的处理上采用的策略通常是将一张高分辨率图像裁剪成多个子图，这样会产生大量的token增加计算负担和处理时间。 主要的核心问题有以下几点： - 令牌冗余：将文档图像裁剪为多个子图会产生大
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。
原文来自
— 版权归原作者所有。
