Tag · 3 篇

免训练推理增强

分布视觉语言模型2数据集与评测1

VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models

为 VLM 在长程生成中维持视觉证据提供了一种潜空间记忆机制：短期记忆模块保留细粒度感知特征、长期记忆模块固化语义，可在推理阶段即插即用地缓解视觉定位漂移，对多模态推理与视觉生成类工作都可直接复用。

PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs

对做视频 LLM 的人，这是一个即插即用的推理期补丁：不改结构、不重训，只在各注意力头上加相反相位偏移再聚合，就能让多模态 RoPE 的时序核变平滑、注意力对帧时序抖动更稳；可直接套到任意用 3D RoPE 的视频 LLM 上提升时序鲁棒性。

MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models

对做统一多模态模型与图像生成评测的人，这篇提供了多图上下文生成的六任务基准和 MLLM-as-verifier 的自动打分协议，可直接用于诊断跨图一致性与幻觉；DAR 是一种免训练、即插即用的推理期注意力调整手段，可迁移到任意扩散/自回归生成骨干上提升跨图连贯性。