مدلهای چندوجهی (LVLMs) معمولاً به دلیل پردازش تعداد زیادی توکن بصری، بسیار سنگین و کند هستند. اما تکنیک جدیدی به نام «CRISP» معرفی شده که این مشکل را حل میکند! 🧠✨
این روش با حذف توکنهای غیرضروری و تمرکز بر دادههای مرتبط با دستور کاربر (قبل از رسیدن به LLM)، بدون افت دقت (تا ۹۹.۵٪)، سرعت پاسخدهی این مدلها را بیش از ۲ برابر افزایش میدهد. این خبر فوقالعادهای برای توسعهدهندگانی است که در محیطهای با منابع محدود کار میکنند. 💻⚡️
منبع: arXiv Computer Vision