研究者提出CAFT模型提升长文本视觉语言对齐

Byeongju Woo 等研究者在 arXiv 发布论文，提出 CAFT（Cross-domain Alignment of Forest and Trees），一种层次化视觉-语言模型。该模型通过细到粗的图像编码器与部分-整体文本编码器，联合学习局部文本-区域对齐和全局图文对齐，论文被 NeurIPS 2026 接收。 论文称，CAFT 在 3000 万图文对上训练后，在六个长文本检索基准上取得最优性能，并表现出较强的扩展性。

AI 根据报道生成 · 39 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。