渐进式视觉压缩

随着多模态大模型（MLLMs）在视觉语言理解、图像描述、视觉问答等任务中展现出卓越能力，处理高分辨率图像已成为提升模型性能的关键瓶颈。传统方法在效率与精度之间面临两难选择：基于切片的编码虽能降低计算成本，却破坏了图像的空间连续性；而全局原生分辨率编码虽能保持完整语义，却带来难以承受的计算负担。清华大学与中科院研究团队最新发布的LLaVA-UHD v3，通过创…