**逐词审视多模态生成:揭示注意力动态并提升性能**

_Attending to Multimodal Generation One Token at a Time_

> 研究深入分析了多模态大语言模型在自回归生成过程中的Token级注意力变化,发现模型会在需要图像信息时聚焦视觉内容,并在任务转换时回顾指令。基于此发现,研究者提出了一种简单的测试时干预方法,通过引导模型在正确时机关注相关模态,显著提升了多模态任务的性能。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-07-08 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2607.03738)