区域聚焦

以由粗到细的视觉处理提升文档解析效率与性能

Boosting Document Parsing Efficiency and Performance with Coarse-to-Fine Visual Processing

VRFM 用定位与上下文关系预测筛出有效视觉 token、抑制背景冗余，这一「先粗筛区域再细识别」的 token 选择思路可直接迁移到高分辨率图像输入下的任意 VLM 任务（如高分辨率 OCR、图表理解、遥感图文），在保持精度的同时大幅削减视觉 token 数与推理成本。