**ReToken：单token提升视觉语言模型检索性能**

_ReToken: One Token to Improve Vision-Language Models for Visual Retrieval_

> 针对长视觉上下文导致模型性能下降及计算资源受限的问题，ReToken提出一个可学习的嵌入向量作为显式检索目标，从预填充的视觉KV缓存中选择稀疏的相关视觉token。该方法仅需少量图像QA数据训练，即可在多个基准测试中显著提升Qwen3VL-8B和InternVL3.5等模型的检索性能，且轻量设计支持单卡训练与推理。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-31 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.28627)