研究：VLM漏检小目标源于token预算限制

Junzhe Shi 等人发表论文，用两个量解释视觉语言模型（VLM）为何漏检小目标：S 是目标边长对应的视觉 token 数，L 是单次调用需覆盖的内容。整图在 N 个 token 内输入时，边长 m 的目标每边最多只有 m*sqrt(N/(WH)) 个 token，因此 token 预算翻倍也只能把整图可达的最大 S 提升 41%。 论文围绕三个问题展开：什么限制了 VLM、其中哪些限制能被更好的模型消除、以及处理大图的经典做法局部图像分解是否仍有前景。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。