VLM 系统的性能及运行效率高度依赖其视觉主干网络（vision backbone）。在高分辨率下编码图像对于在多种 VLM 基准任务中取得良好表现尤其关键，特别是在文本密集型任务上。因此，支持可扩展分辨率的视觉编码器对 VLM 尤为重要。