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

推荐订阅源

宝玉的分享
宝玉的分享
博
博客园 - 【当耐特】
NISL@THU
NISL@THU
IT之家
IT之家
博
博客园 - 叶小钗
M
MIT News - Artificial intelligence
博
博客园_首页
Hugging Face - Blog
Hugging Face - Blog
量
量子位
The Register - Security
The Register - Security
爱范儿
爱范儿
酷 壳 – CoolShell
酷 壳 – CoolShell
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
S
Security Affairs
W
WeLiveSecurity
S
Security @ Cisco Blogs
Apple Machine Learning Research
Apple Machine Learning Research
V2EX - 技术
V2EX - 技术
The Last Watchdog
The Last Watchdog
Blog — PlanetScale
Blog — PlanetScale
美
美团技术团队
J
Java Code Geeks
P
Proofpoint News Feed
大猫的无限游戏
大猫的无限游戏
Vercel News
Vercel News
H
Hackread – Cybersecurity News, Data Breaches, AI and More
Last Week in AI
Last Week in AI
腾
腾讯CDC
Cisco Talos Blog
Cisco Talos Blog
C
Check Point Blog
人人都是产品经理
人人都是产品经理
Forbes - Security
Forbes - Security
SecWiki News
SecWiki News
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
钛媒体：引领未来商业与生活新知
钛媒体：引领未来商业与生活新知
B
Blog
S
Secure Thoughts
T
Threat Research - Cisco Blogs
P
Privacy & Cybersecurity Law Blog
N
News | PayPal Newsroom
The GitHub Blog
The GitHub Blog
Recorded Future
Recorded Future
Google DeepMind News
Google DeepMind News
博
博客园 - 聂微东
V
Visual Studio Blog
L
LINUX DO - 最新话题
Recent Commits to openclaw:main
Recent Commits to openclaw:main
O
OpenAI News
Webroot Blog
Webroot Blog
Hacker News: Ask HN
Hacker News: Ask HN

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。