SkyNative：一种用于遥感视觉证据推理的原生多模态框架

遥感视觉 - 语言模型通常依赖预训练视觉编码器将图像转化为语义特征，但这可能过早压缩局部视觉证据，导致细粒度空间推理易受语言先验影响。本文提出 SkyNative，一种采用无编码器架构的原生多模态框架，直接将图像表示为原始 patch 令牌。通过引入模态感知解耦机制，该框架在统一自回归主干中协调低层视觉补丁与文本令牌。实验表明，SkyNative 在标准理解任务及大格式空间推理评估中，展现出更强的图像 grounding 感知能力及对提示诱导语言先验的鲁棒性。