Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 27 октября 2026 года] Название: LearnPruneerV2: Учимся в прогрессивном токен-применение моделей зрения/лангуажа, вид PDF HTML (экспериментальное) резюме: Vision-Language Models (VLMs), продемонстрировали замечательные мультимодальные возможности, но страдают от непомерных вычислительных накладных расходов изза большого числа визуальных знаков. Несмотря на многообещающее решение, существующие методы по-прежнему страдают от двух основных недостатков: 1) ненадежных критериев серфинирования, которые не позволяют точно локализовать конкретные регионы в силу имманентного отклонения внимания или агностического подхода к запросу; и 2) неоптимальных стратегий стыковки, предусматривающих использование жестких, неадаптирующих графиков, при этом игнорируется динамическая эволюция избыточности символических знаков через различные глубины модели. Для решения этих задач мы предлагаем использовать систему LearnPruneV2, которая расширяет рамки двух этапов (LearnPRuner) в полностью изученную архитектуру. В частности, мы интегрируем легковесные обучающиеся модули в каждый слой позвоночника VLM, которые оценивают символическую значимость путем сбрасывания внутренней визуальной значимости с экстринической релевантностью запроса, запечатленной через теневый символ. Обнаружив последовательную модель избыточности лестницы по всем слоям VLM, мы далее введем бюджетно-детерминистскую стыковку (BDP) для установления…
" LearnPrunerV2: Изучаемый прогрессивный токен для моделей визуализации-лингвистики &qt;
arXiv: 261 0366986v 1 Annuation Type: New Humber: Vision-Language Models (VLM) продемонстрировали замечательные мультимодальные возможности, но страдают от непомерных вычислительных накладных расходов в связи с большим количеством визуальных знаков. Несмотря на многообещающее решение, существующие методы по-прежнему страдают от двух основных недостатков: 1) ненадежных критериев серфинирования, которые не позволяют точно локализовать конкретные регионы в силу имманентного отклонения внимания или агностического подхода к запросу; и 2) неоптимальных стратегий стыковки, предусматривающих использование жестких, неадаптирующих графиков, при этом игнорируется динамическая эволюция избыточности символических знаков через различные глубины модели. Для решения этих задач мы предлагаем использовать систему LearnPruneV2, которая расширяет рамки двух этапов (LearnPRuner) в полностью изученную архитектуру. В частности, мы интегрируем легковесные обучающиеся модули в каждый слой позвоночника VLM, которые оценивают символическую значимость путем сбрасывания естественной яркости с внешним контекстом запроса капту