先用低分辨率定位目标区域，再将视觉算力集中于需要识别的局部。
推荐理由：实验显示定位可承受比识别强约3至4倍的视觉令牌压缩，据此分离两阶段分辨率需求，可在保留细粒度感知的同时显著削减编码和预填充开销。
阅读原文