免训练框架GeoPID提升VLM视觉定位

研究者提出免训练框架 GeoPID，从几何视角把视觉语言模型（VLM）中的多模态信息分解为冗余、模态独有和协同三类成分。在 22 个 VLM 和 14 个 benchmark 上的分析显示，需要视觉 grounding 的问题中，正确预测具有更强的视觉独有成分。 基于这一发现，GeoPID 在推理时沿视觉独有子空间选择性放大视觉表征，无需更新模型参数，平均提升 7.63% 相对准确率。

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。