为解决Vision Transformer（ViT）在计算效率和特征保留上的矛盾，研究人员提出K-feature fusion token merging算法。该研究通过融合键值（K）与中间特征提升相似性度量精度，并设计相似性加权合并策略减少特征偏移。实验表明，在ViT-B/ImageNet上可减少49.58%令牌且仅损失0.44%准确率，吞吐量提升30%，为无训练模型压缩提供新思路。

近些年，多模态大语言模型（MLLMs）在视觉问答、推理以及 OCR 等任务上取得了显著的成功。然而，早期的 MLLMs 通常采用固定的分辨率（例如 LLaVA-v1.5 将输入图像缩放为），对于输入图像为高分辨率图像（例如 8K ...

Finalen inleds med ett långt förinspelat inslag som är väldigt roligt och presenterar den nya tredje programledaren för publiken, Michelle Hunziker som är schwe ...