★ 2
关键视觉证据引导的视觉语言模型蒸馏
针对视觉语言模型在资源受限设备部署难题，论文提出KVE-KD框架，以生成前最后一个文本token作为语义锚点，动态定位任务相关视觉token并聚焦特征蒸馏。在六个基准上超越现有跨模态蒸馏方法，复杂推理与细粒度视觉理解任务提升显著，且不增加推理开销。
arXiv cs.LG27 天前
#跨模态
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
空间作为干预不变量：跨模态预测几何
论文将空间定义为一种干预不变量，即在校准动作下保持局部兼容性与未来观测条件律的最小关系结构。研究提出跨模态预测几何框架，整合局部状态空间、模态特定观测映射与动作群胚，并证明在干预忠实性下潜空间可识别至干预群中心化子。框架进一步用层论表示扩展到分层城市系统，为空间认知与具身 AI 提供统一基础。
arXiv cs.LG49 天前