从文本 rater、逐层视觉 Token 稀疏化与被裁 Token 回收出发，拆解 ICML 2025 的 SparseVLM 如何在不训练新参数的前提下加速多模态大模型推理。

从指令感知 Q-Former、26 个数据集的指令微调与零样本评测出发，拆解 NeurIPS 2023 的 InstructBLIP 如何适配多种视觉语言任务。

从多出口 MLLM、动作一致性判据与预算约束出发，拆解 NeurIPS 2024 的 DeeR-VLA 如何动态跳过 LLM 层，实现多模态机器人推理加速。

从可学习身份 Token、视觉属性软提示与难负样本出发，拆解 NeurIPS 2024 的 Yo'LLaVA 如何用 5 张图完成多模态大模型个性化。

从嵌套视觉 Token、多尺度训练目标与预填充成本出发，拆解 ICLR 2025 的 M3 如何在同一多模态大模型中按需切换推理粒度。