Buchumschlag

Token-Efficient Multimodal Reasoning via Image Prompt Packaging

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Choi, Joong Ho, Zhao, Jiayang, Appalla, Avani, Mukesh, Himansh, Vasani, Dhwanil, Qian, Boyi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CompactPrompt: A Unified Pipeline for Prompt Data Compression in LLM Workflows
von: Choi, Joong Ho, et al.
Veröffentlicht: (2025)

PAR: Prompt-Aware Token Reduction Method for Efficient Large Multimodal Models
von: Liu, Yingen, et al.
Veröffentlicht: (2024)

Discovering Pathology Rationale and Token Allocation for Efficient Multimodal Pathology Reasoning
von: Xu, Zhe, et al.
Veröffentlicht: (2025)

MIRe: Enhancing Multimodal Queries Representation via Fusion-Free Modality Interaction for Multimodal Retrieval
von: Ju, Yeong-Joon, et al.
Veröffentlicht: (2024)

Naïve PAINE: Lightweight Text-to-Image Generation Improvement with Prompt Evaluation
von: Kim, Joong Ho, et al.
Veröffentlicht: (2026)

PTCMIL: Multiple Instance Learning via Prompt Token Clustering for Whole Slide Image Analysis
von: Zhao, Beidi, et al.
Veröffentlicht: (2025)

MMR-AD: A Large-Scale Multimodal Dataset for Benchmarking General Anomaly Detection with Multimodal Large Language Models
von: Yao, Xincheng, et al.
Veröffentlicht: (2026)

TokenFlow: Unified Image Tokenizer for Multimodal Understanding and Generation
von: Qu, Liao, et al.
Veröffentlicht: (2024)

What "Not" to Detect: Negation-Aware VLMs via Structured Reasoning and Token Merging
von: Kang, Inha, et al.
Veröffentlicht: (2025)

MILR: Improving Multimodal Image Generation via Test-Time Latent Reasoning
von: Mi, Yapeng, et al.
Veröffentlicht: (2025)

RePrompt: Reasoning-Augmented Reprompting for Text-to-Image Generation via Reinforcement Learning
von: Wu, Mingrui, et al.
Veröffentlicht: (2025)

Machine Mental Imagery: Empower Multimodal Reasoning with Latent Visual Tokens
von: Yang, Zeyuan, et al.
Veröffentlicht: (2025)

Evolving Prompt Adaptation for Vision-Language Models
von: Zhang, Enming, et al.
Veröffentlicht: (2026)

Zero-Shot Industrial Anomaly Segmentation with Image-Aware Prompt Generation
von: Park, SoYoung, et al.
Veröffentlicht: (2025)

Image-of-Thought Prompting for Visual Reasoning Refinement in Multimodal Large Language Models
von: Zhou, Qiji, et al.
Veröffentlicht: (2024)

Prompt-Aware Adapter: Towards Learning Adaptive Visual Tokens for Multimodal Large Language Models
von: Zhang, Yue, et al.
Veröffentlicht: (2024)

Enhancing Multimodal In-Context Learning via Inductive-Deductive Reasoning
von: Wang, Haoyu, et al.
Veröffentlicht: (2026)

Learning Hyperspectral Images with Curated Text Prompts for Efficient Multimodal Alignment
von: Chatterjee, Abhiroop, et al.
Veröffentlicht: (2025)

Frequency-Aware Token Reduction for Efficient Vision Transformer
von: Lee, Dong-Jae, et al.
Veröffentlicht: (2025)

Token Sequence Compression for Efficient Multimodal Computing
von: Omri, Yasmine, et al.
Veröffentlicht: (2025)

TokenMotion: Decoupled Motion Control via Token Disentanglement for Human-centric Video Generation
von: Li, Ruineng, et al.
Veröffentlicht: (2025)

SwiftVLM: Efficient Vision-Language Model Inference via Cross-Layer Token Bypass
von: Qian, Chen, et al.
Veröffentlicht: (2026)

ClipTBP: Clip-Pair based Temporal Boundary Prediction with Boundary-Aware Learning for Moment Retrieval
von: Kim, Ji-Hyeon, et al.
Veröffentlicht: (2026)

FIQ: Fundamental Question Generation with the Integration of Question Embeddings for Video Question Answering
von: Oh, Ju-Young, et al.
Veröffentlicht: (2025)

EgoPrune: Efficient Token Pruning for Egomotion Video Reasoning in Embodied Agent
von: Li, Jiaao, et al.
Veröffentlicht: (2025)

CLIP Tricks You: Training-free Token Pruning for Efficient Pixel Grounding in Large VIsion-Language Models
von: Lee, Sangin, et al.
Veröffentlicht: (2026)

Perception Tokens Enhance Visual Reasoning in Multimodal Language Models
von: Bigverdi, Mahtab, et al.
Veröffentlicht: (2024)

Look Before You Decide: Prompting Active Deduction of MLLMs for Assumptive Reasoning
von: Li, Yian, et al.
Veröffentlicht: (2024)

Language-Guided Invariance Probing of Vision-Language Models
von: Lee, Jae Joong
Veröffentlicht: (2025)

3DTurboQuant: Training-Free Near-Optimal Quantization for 3D Reconstruction Models
von: Lee, Jae Joong
Veröffentlicht: (2026)

SemHiTok: A Unified Image Tokenizer via Semantic-Guided Hierarchical Codebook for Multimodal Understanding and Generation
von: Chen, Zisheng, et al.
Veröffentlicht: (2025)

LLaVA-Mini: Efficient Image and Video Large Multimodal Models with One Vision Token
von: Zhang, Shaolei, et al.
Veröffentlicht: (2025)

Face-MakeUp: Multimodal Facial Prompts for Text-to-Image Generation
von: Dai, Dawei, et al.
Veröffentlicht: (2025)

Multimodal Prompt Decoupling Attack on the Safety Filters in Text-to-Image Models
von: Peng, Xingkai, et al.
Veröffentlicht: (2025)

2AFC Prompting of Large Multimodal Models for Image Quality Assessment
von: Zhu, Hanwei, et al.
Veröffentlicht: (2024)

AdaTok: Adaptive Token Compression with Object-Aware Representations for Efficient Multimodal LLMs
von: Zhang, Xinliang, et al.
Veröffentlicht: (2025)

Decoupling the Image Perception and Multimodal Reasoning for Reasoning Segmentation with Digital Twin Representations
von: Li, Yizhen, et al.
Veröffentlicht: (2025)

MaeFuse: Transferring Omni Features with Pretrained Masked Autoencoders for Infrared and Visible Image Fusion via Guided Training
von: Li, Jiayang, et al.
Veröffentlicht: (2024)

Progressive Multimodal Search and Reasoning for Knowledge-Intensive Visual Question Answering
von: Choi, Changin, et al.
Veröffentlicht: (2025)

Enhancing Generalization in Data-free Quantization via Mixup-class Prompting
von: Park, Jiwoong, et al.
Veröffentlicht: (2025)