清华大学等机构提出的可变视觉位置编码方法（V2PE）旨在提升视觉-语言多模态模型在长上下文场景下的表现。V2PE通过为视觉token分配可变位置增量，克服了传统位置编码的局限性，显著增强了模型在超长上下文任务中的能力。