可以书写而不仅仅是点的头:视觉语言模型中的图像检索头
原文:Heads That Write, Not Just Point: Image Retrieval Heads in Vision-Language Models
大型视觉语言模型 (LVLM) 可以在单个上下文中处理交错的文本和多个图像,但它们如何在内部识别与问题相关的图像仍然知之甚少。我们将这一基础步骤作为上下文图像检索进行研究,并介绍了 ICIR-MCQ,这是一种用于图像检索头部分析的受控探针。在图像令牌跨度上使用每个头的注意力质量
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。