研究：VLM小物体识别极限与局部分解规则

该研究关注视觉语言模型（VLM）在大图中漏检小目标的问题。论文提出用目标侧向视觉 token 数 S 与单次调用覆盖内容 L 来解释这一现象：整图送入时，目标侧 token 至多为 m*sqrt(N/(WH))；token 预算翻倍只让最大 S 提高约 41%，且达到所需 S 至少需要约 S^2 量级 token。研究据此说明局部放大在何种条件下是安全的。目前未见与早先报道矛盾之处。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。