arXiv · cs.AI· Yao Xiao, Reuben Tan, Zhen Zhu, Yuqun Wu, Jianfeng Gao, Derek Hoiem·· 1 天前
ReToken：用视觉检索token提升视觉语言模型的长上下文能力
ReToken: Improving Long-Context VLMs with Visual Retrieval Token
arXiv:2607.28627v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yao Xiao, Reuben Tan, Zhen Zhu, Yuqun Wu, Jianfeng Gao, Derek Hoiem
研究任务与主要进展
Yao Xiao等提出ReToken，通过单个可学习嵌入从视觉语言模型预填充的KV缓存中提取检索信号，在回答模型内部选择与查询相关的视觉token，无需独立检索器或重新编码。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org