标签
该论文研究多模态大模型（MLLM）中的稀疏检索头在新增音频-视觉模态下的分布与共享机制，并通过排序目标优化这些注意力头，将 Qwen3-VL-8B 在 MMDocIR 上的页面 Recall@1 提升 6.03 个点。