Tag · 1 篇
MM-SeR: Multimodal Self-Refinement for Lightweight Image Captioning
把 MLLM 的语言部分换成 125M 小模型后仍能保持事实性描述能力，这一发现提示视觉研究者：做图像描述时不必依赖大语言模型的复杂推理；其「先粗后细」的自精炼流程（用粗描述定位显著区域再重描述）可作为轻量 VLM 的通用解码策略复用。