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
B
Blog RSS Feed
J
Java Code Geeks
H
Help Net Security
Google DeepMind News
博
博客园 - 司徒正美
Microsoft Security Blog
宝玉的分享
Stack Overflow Blog
D
DataBreaches.Net
The GitHub Blog
S
SegmentFault 最新的问题
U
Unit 42
博
博客园 - 三生石上(FineUI控件)
Last Week in AI
M
MIT News - Artificial intelligence
WordPress大学
小众软件
博
博客园 - 叶小钗
D
Docker
量
量子位
P
Proofpoint News Feed
博
博客园_首页
T
Tailwind CSS Blog
F
Fortinet All Blogs
thinkingReed
ColPali：使用视觉语言模型的高效文档检索
ChartMoE：使用混合专家架构的图表理解方法
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
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
VisionThink：通过强化学习实现高效的视觉语言模型
2025-09-30
·
via
thinkingReed
背景 近年来，视觉语言模型（VLM）通过增加视觉令牌（visual tokens）的数量提升了性能，而这些token的数量通常远超文本token。我们观察到
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。
