› VPS cambia el orden: primero inspecciona toda la imagen en paralelo, luego decide dónde hacer zoom.
› Gana hasta 8 puntos de precisión frente al zoom secuencial.El trabajo proviene de arXiv (cs.CV, cs.AI), presentado el 29 de septiembre de 2026.
› Los autores son un equipo de ocho personas: Xijia Tao, Yihua Teng, Xinyu Fu, Cheng Gong, Ziru Liu, Xudong Xie, Rui Liu y Lingpeng Kong.En qué consiste el problemaLos modelos multimodales (aquellos que entienden simultáneamente texto e imagen) tienen problemas con imágenes de alta resolución.
› Para responder a una pregunta sobre un fragmento pequeño y bien localizado de una foto, el modelo debe primero elegir dónde mirar - y lo hace antes de haber visto el conjunto.