文档与信息图-VQA

聚焦而非剪枝：为信息密集图像理解定位指令相关区域

Focus, Don't Prune: Identifying Instruction-Relevant Regions for Information-Rich Image Understanding

对做 LVLM 高效推理的人，这篇给出了「先用指令定位相关区域、再只对区域提细粒度特征」的两阶段视觉 token 削减范式，并附带 InfographicVQA/MultiPageDocVQA/SinglePageDocVQA 上的区域级真值标注，可直接用于训练或评测区域选择模块。