智能体
arxiv.org ·
@Sean Welleck
视觉Token路由：学习保留关键视觉Token
研究观察到计算机使用智能体的截图中多数视觉token与下一步动作无关或在时间上冗余。Visual Token Routing（VTR）联合训练视觉语言模型与轻量时空路由器，判断当前及前一截图各图像区域的token是否进入语言模型，以降低长程任务的计算成本。
AI推荐理由 针对计算机使用智能体截图像素转视觉token导致上下文膨胀的瓶颈，提出联合训练的时空路由器学习稀疏视觉表示；思路对长程CUA成本有实际价值，但摘要未给出量化结果。
68
正文
当前仅保存了标题或简介；并非所有来源都提供正文，可通过下方原文链接查看。