標籤
vision-language
視覺語言模型把影像、文字與推理接到同一條管線，常見於圖文問答、偏好對齊與多模態 MoE。這個主題關注模型如何看懂畫面、選對專家並在任務規則下做出更穩定的判斷。
4 篇文章
技術研究/8月5日
ParVL：把多模態算力拆成平行分支
ParVL 不再只靠加大單一路徑來擴充多模態模型，而是用共享骨幹的平行分支，讓視覺與語言算力可重新分配。
工具應用/6月30日
PixelRAG 把截圖變可檢索上下文
拆解 PixelRAG 的截圖優先 RAG 流程，順手給你一份可直接抄去做視覺檢索的模板。
技術研究/4月15日
用 rubric 讓視覺偏好訓練更精準
rDPO 用每個圖文任務的專屬 rubric 取代粗粒度偏好訊號，讓視覺偏好最佳化更細緻，並在過濾與 benchmark 上帶來提升。
技術研究/4月10日
多模態 MoE 為何會分心
這篇研究指出，多模態 MoE 不是只卡在看圖，而是路由把輸入送錯專家。作者提出 routing distraction，並用路由引導介入提升 domain expert 啟動與推理表現。