arXiv · cs.CL· Miso Choi·· 19 小时前AI 评分50
V-LUMEN 提出视觉查找记忆以扩容视觉语言模型
V-LUMEN: Visual Lookup Memory for Embedding Scaling in Vision-Language Models
来源与原文
arXiv · cs.CL
作者：Miso Choi
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.37019v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
论文提出 V-LUMEN，一种面向 VLM 的视觉查找记忆，通过冻结 codebook 离散化视觉特征、空间聚合哈希构建记忆键，并以门控残差通路融合回骨干模型。在五个推理密集型基准上显著提升冻结的 Qwen3-VL-2B，并可零样本迁移到三个图像不相交的基准；在同等参数预算下将部分 LoRA 或 MoE 适配器容量转移到 V-LUMEN 可保持两个骨干的精度，且查找成本恒定、只在 prefill 时产生一次，扩容体现在存储而非逐 token 计算。代码已开源。
来源：arXiv · cs.CL · arxiv.org