VisualRWKV-HD 和 UHD：推动视觉语言模型的高分辨率处理
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了视觉语言模型在高分辨率处理中的不足，提出了VisualRWKV-HD和VisualRWKV-UHD两种新模型。通过创新的无损下采样方法和图像分段重组技术，这些模型能够有效结合高低分辨率特征，从而提升了视觉处理能力，特别是在文本丰富任务中的表现显著改善。
视觉语言模型（VLM）由视觉编码器和语言模型组成。研究发现，不同编码器在任务中表现不同，没有单一最佳配置。为此，提出BRAVE方法，将多个编码器特征整合为更灵活的表示，作为语言模型输入。BRAVE在字幕生成和视觉问答中表现优异，减少了可训练参数，提升了视觉理解能力。
