潜在噪声掩码：减少多模态大语言模型中的视觉冗余

多模态大语言模型（MLLMs）常因密集且冗余的图像令牌稀释关键视觉线索，导致细粒度视觉推理失败。现有方法多将思维链扩展至视觉空间，却忽视了冗余令牌的负面影响。本文提出潜在噪声掩码（Lens），一种基于问题的视觉证据净化框架，使 MLLMs 能在潜在空间利用更清晰的线索进行推理。Lens 引入轻量级证据令牌对视觉令牌相关性评分，并自适应地向低相关性令牌注入潜在噪声以抑制干扰，无需修改模型主干。实验表明，该方法在多个 VQA 和定位任务上显著提升了基线模型性能。