UltraViT: Latency-Optimized On-device Vision Encoder for Large Vision-Language Models

• 类型：arxiv
• 标识：2607.23373
• 链接：https://arxiv.org/abs/2607.23373
• 主分类：multimodal
• 形态：application
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Extensive experiments demonstrate that the on-device latency-informed design combined with the tailored training strategy establishes a new state-of-the-art for efficient LVLM encoding, significantly outperforming existing encoder-centric baselines while operating on-device at nearly 1.7xthe speed.
• OpenAlex ID：W7171564273
• OpenAlex DOI：10.48550/arxiv.2607.23373
• DOI：10.48550/arxiv.2607.23373
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.23373
• OpenAlex更新：2026-08-25
• 待LLM分类：否
• 标题中文：UltraViT：面向大视觉-语言模型的端侧延迟优化视觉编码器
• TLDR中文：大量实验表明，结合端上延迟感知设计与定制化训练策略，建立了高效 LVLM 编码的新 SOTA，在端上以近 1.7 倍速度运行的同时显著优于现有以编码器为中心的基线。
• 来源文件：
• /inbox/tom/_candidates/2026-07-29-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]