跳到正文
arXiv AI· Rohit Gandikota, Arnab Sen Sharma, Adam Belfki, David Bau·· 2 天前评分29

How VLMs Plan What's Next

摘要

当视觉语言模型描述图像时,它依次命名一个对象,且很少重复,但模型如何规划这一顺序却远非显而易见。我们描述了视觉语言模型在查看前决定搜索位置的机制。该机制包含四个主要部分。

推荐理由

请对照arXiv AI原文,核对完整说明及适用条件。

本站只提供摘要与原文入口。完整内容请阅读原文。

来源:arXiv AI · arxiv.org