CVSearch：通过认知视觉搜索为多模态 LLM 提供支持，以实现高分辨率图像感知

高分辨率 (HR) 图像感知是多模态 大语言模型 (MLLM) 的关键瓶颈。虽然视觉搜索提供了一个有前途的解决方案，但现有方法在覆盖范围和效率之间进行权衡。视觉专家辅助搜索虽然高效，但在提案失败时容易出现盲点，而基于扫描的搜索则以计算冗余和语义碎片为代价来保证覆盖范围。为了解决这个困境，我们引入了 CVSearch，这是一个 无需训练 自适应框架，它通过评估然后搜索工作流程动态安排搜索策略。具体来说，CVSearch 在全局信息不足时首先调用专家辅助搜索，并且仅在失败时触发新颖的语义感知扫描机制。与严格的网格划分不同，这种高效的扫描范例结合了语义引导自适应修补，将图像分解为语义一致的区域，从而有效地减少了对象碎片。此外，我们设计了一种由视觉复杂性驱动的动态自下而上搜索策略，以实现对局部细节的高效和精确的迭代探索。针对 HR 基准的大量实验表明，CVSearch 实现了最先进的准确性，同时大幅提高了搜索效率。代码发布于 https://github.com/liliupeng28/ICML26-CVSearch。