多模态大语言模型_多模态大语言模型技术文章_InfoQ写作社区

全部标签 



写点什么

登录注册

多模态大语言模型

0 人感兴趣 · 2 次引用

关注

最新
推荐

聚焦结构化注意力，探索提升多模态大模型文档问答性能

vivo互联网技术

09-11

本文聚焦多模态大语言模型（MLLMs）在文档问答（DocQA）任务中的性能提升，提出无需改动模型架构或额外训练的结构化输入方法，通过保留文档层次结构与空间关系（如标题、表格、图像位置）优化理解能力。研究发现，LaTeX 范式结构化输入能显著提升表现。

人工智能结构化文档理解注意力多模态大语言模型

EMNLP 2025｜vivo 等提出 DiMo-GUI：模态分治 + 动态聚焦，GUI 智能体推理时扩展的新范式

vivo互联网技术

08-26

本文提出了一种无需额外训练的GUI定位框架DiMo-GUI，通过逐级缩放动态聚焦目标区域减少视觉冗余，并分离文本与图标模态独立推理后综合评估确定目标，有效平衡多模态能力。在基准测试中性能显著提升，适用于网页导航和移动应用自动化等场景。

人工智能推理模型多模态大语言模型 GUI Agent Test-time Scaling

1