标签
Vision-RL²是一种方法，通过区域级强化学习压缩视觉令牌，在不进行全模型微调的情况下，提升多模态大型语言模型在多个基准测试中的精细粒度感知性能。
本文介绍了 LLaVA-UHD v4，该模型通过采用基于切片（slice-based）的编码和 ViT 内部早期压缩，提高了多模态大语言模型中的视觉编码效率。它在保持或提升高分辨率图像任务性能的同时，将计算成本降低了 55% 以上。