视觉细节提取

智能降尺度：探究小型多模态模型中的感知与推理瓶颈

Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models

论文把多模态小模型的性能下降拆解为感知瓶颈与推理瓶颈，并提出 visual extraction tuning：先显式训练模型抽取与指令相关的视觉细节，再做分步推理。做 VLM 压缩、蒸馏或小模型部署的研究者可直接复用这一「先抽取视觉细节、再推理」的两阶段范式，并借用其感知/推理解耦的评测思路定位自身模型的失效环节。