研究者提出面向视觉-语言模型的V-LUMEN视觉查找记忆

Miso Choi 等研究者在 arXiv 提出 V-LUMEN，一种为视觉-语言模型设计的视觉查找记忆，通过冻结 codebook 离散化视觉特征、基于空间聚合哈希构建记忆键并用文本条件相关性调制实现非参数寻址，用于在嵌入层面扩展视觉-语言模型的能力。 论文称，V-LUMEN 能显著改进冻结的 Qwen3-VL-2B 骨干模型，并可零样本迁移到三个与训练数据图像不重叠的基准。由于查找成本与记忆表规模无关、且只在预填充阶段产生一次，该方法的容量扩展体现在存储而非每词元计算上。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。