必要时聚焦：面向免训练视觉定位的自适应路由与协同接地

针对多模态大语言模型在复杂高分辨率图像中难以感知细粒度细节的问题，本文提出 LazyMCoT，一种动态且免训练的框架。该框架依据样本难度自适应分配视觉定位努力：利用自适应路由机制评估预测不确定性，高效跳过简单案例并确保困难样本的召回；针对挑战性案例，通过协同接地模块结合模型内在注意力与外部视觉专家进行两阶段细化，以恢复微小或遮挡目标。实验表明，该方法在提升推理精度的同时降低了平均推理延迟，性能媲美基于训练的方法。