VisionWeave 为多模态大语言模型带来自适应视觉表征能力
VisionWeave 使多模态语言模型能够根据图像内容，以不同精细程度表示视觉信息。空间池化器生成粗粒度和细粒度表征，再由路由器进行自适应分配。在 Qwen3.8-27B 测试中，该方法平均减少 43% 的视觉 token，并在八项基准测试中保留原有性能的 98.9%。部署于 SGLang 推理引擎后，吞吐量提升至 2.3 倍，响应延迟也有所降低。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。