视觉词元变换

词元变换帮助多模态大模型从邻近视角观察

Token Warping Helps MLLMs Look from Nearby Viewpoints

把视角变换从像素域搬到 ViT 词元域，用反向词元 warping 替代像素 warping，为 MLLM 提供对深度误差更鲁棒的视角外推手段；做多视角/具身推理的可以直接复用这一词元级几何对齐思路。