EVENT DOSSIER
FAVE 提出一种轻量级可变分辨率 Vision Transformer（ViT），在保留原生几何结构的同时，以高清晰度编码外部选定的局部区域。该方法在 ImageNet 96 像素小物体检测任务中，相比固定分辨率 ViT 将 Top-1 准确率提升 9.4 个点，同时计算量降低 12.7 倍。随后，FAVE 作为互补局部分支被集成至 FastVLM 模型中，仅增加最多 16 个局部令牌，便实现了显著的性能与效率优化：在 TextVQA 任务中得分提升 1.60 点，推理首字延迟（TTFT）较 SmolVLM2-2.2B 快 3.3 倍；在 GQA 属性问答问题上，FastVLM-1.5B 模型性能提升 1.31 点。
FAVE FAVE 提出轻量级可变分辨率视觉编码器
FAVE 提出一种轻量级可变分辨率 ViT，在保留原生几何结构的同时以高清晰度编码外部选定区域。该方法在 ImageNet 96 像素小物体上，相比固定分辨率 ViT 将 Top-1 准确率提升 9.4 个点，且计算量降低 12.7 倍。随后 FAVE 作为互补局部分支集成至 FastVLM，仅增加最多 16 个局部令牌，使 TextVQA 得分提升 1.60 点，TTFT 速度较 SmolVLM2-2.2B 快 3.3 倍；在 GQA 属性问题上，FastVLM-1.5B 性能提升 1.31 点。