arXiv · NLP· Zhiyun Shi·· 17 天前AI 评分35
VLMs 视觉文本阅读与使用差距分析及 ALOUD 方法提出
VLMs Read Aloud: The Gap Between Recognizing and Using Visual Text
AI 导读
视觉文本压缩中 VLM 存在“读用差距”,Qwen3-VL-8B 识别在 15 像素饱和,使用需 24 像素,2B 至 32B 扩参未缩小该差距。 提出 ALOUD 方法,冻结 Qwen3-VL-8B 在 5x/10x 压缩长文档上准确率从 27.7% 升至 54.8%,优于 LensVLM-9B 等保留原文的方法。 证明瓶颈在于使用而非恢复,ALOUD 以更少计算量超越现有基线。
来源:arXiv · NLP · arxiv.org