视觉定位保持

VisMem：潜变量视觉记忆释放视觉语言模型的潜力

VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models

为 VLM 在长程生成中维持视觉证据提供了一种潜空间记忆机制：短期记忆模块保留细粒度感知特征、长期记忆模块固化语义，可在推理阶段即插即用地缓解视觉定位漂移，对多模态推理与视觉生成类工作都可直接复用。