扩散多模态大模型提出VRCD视觉冗余解码法

1. 13:00
   arXiv · ML

   扩散多模态大模型视觉冗余受控并行解码

   针对扩散多模态大模型（dMLLMs）并行解码中视觉锚点重叠导致的冗余问题，提出无训练时的推理方法视觉冗余受控解码（VRCD）。 VRCD利用token-图像注意力机制优先选择视觉互补的位置，在多个多模态基准测试中降低视觉冗余，相比置信度解码在M^3CoT和MMBench上分别提升准确率18.8%和6.9%。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。