Tag · 1 篇
iSHIFT: Lightweight Slow-Fast GUI Agent with Adaptive Perception
把「慢/快」双模式推理与感知 token 结合,让 2.5B 的 MLLM 按任务难度自适应决定推理深度与注视区域;做视觉定位或高分辨率界面理解时,可借鉴其用特殊 token 引导注意力到局部区域、以隐式思维链替代显式长链推理来省算力的做法。