自适应视觉词元

AdaptVision：通过自适应视觉获取实现高效视觉语言模型

AdaptVision: Efficient Vision-Language Models via Adaptive Visual Acquisition

把「视觉词元数量」当作可由模型自主决策的动作，用强化学习（DTPO）在粗到细的流程中决定何时调用裁剪工具获取高分辨率区域，为视觉研究者提供了一种按样本自适应分配视觉计算预算、而非固定比例压缩的 VLM 推理范式。