多模态前沿技术
视觉编码器在处理视觉信息时呈现出怎样的层级规律？这些规律对视觉剪枝有何指导意义？
原题为什么语言模型的中间层是进行视觉 token 剪枝的最佳阶段？相关实证研究有哪些关键发现？
原题VScan 在效率提升和性能保留方面有哪些具体表现？与其他方法相比有何优势？
原题为什么 rowspan/colspan 这类复杂表格在多模态 LLM 场景下仍然容易被“拆碎”或“错位”？
原题跨页段落/表格合并任务能否仅靠「文本相似度+启发式规则」解决？其上限在哪里？
原题在端侧 GPU（如 RTX 3060 6 GB）部署 7 B 级多模态模型几乎不可行，3 B 模型如何做到“精度不降反升”？
原题多模态文档智能与传统OCR在特征表示与任务范式上的本质差异是什么？
原题如何设计跨模态注意力机制以实现文档中文本、图像与布局的细粒度对齐？
原题在金融合同结构化解析中，如何通过多模态联合推理验证逻辑一致性？
原题针对低质量扫描文档，如何构建端到端的图像增强与几何校正流水线？
原题
暂无题目