當人類走進便利店尋找特定飲料時，即便貨架上商品琳瑯滿目，我們也能迅速鎖定目標。這種看似簡單的視覺定位能力，對人工智能而言卻是一道難題。中國科學院計算技術研究所的研究團隊針對這一挑戰(zhàn)，提出了一種名為CARVE的創(chuàng)新解決方案，有效提升了AI在復雜場景中的視覺推理能力。

研究團隊發(fā)現(xiàn)，現(xiàn)有AI視覺語言模型在處理復雜圖像時，注意力容易分散。就像人在嘈雜環(huán)境中難以集中精神一樣，AI面對包含大量視覺元素的圖片時，往往會被無關信息干擾，導致任務執(zhí)行效率下降。這種注意力分散的程度與圖像的視覺復雜度密切相關，研究團隊通過量化分析證實，圖像的紋理復雜度和顏色復雜度越高，AI的注意力就越難以集中。

CARVE方法的核心在于構建了一種對比注意力機制。該方法不需要對現(xiàn)有AI模型進行重新訓練，而是通過設計兩種不同的觀察指令來引導模型。首先讓AI以通用指令（如"描述圖片"）觀察圖像，此時模型的注意力主要受圖像本身特征影響；再讓AI以具體任務指令（如"找出紅色標簽的瓶子"）觀察同一圖像，此時注意力會結合任務需求進行調(diào)整。通過對比這兩次注意力分布的差異，CARVE能夠準確識別出與任務真正相關的視覺區(qū)域。

研究團隊從數(shù)學角度證明了這種對比機制的有效性。他們發(fā)現(xiàn)AI的注意力分布可以分解為兩個獨立因素的乘積：一個是完全由圖像視覺特征決定的"視覺噪音因子"，另一個是由任務需求決定的"語義信號因子"。在通用指令下，語義信號因子趨于均勻分布，注意力主要由視覺噪音主導；而在具體任務指令下，語義信號因子會在相關區(qū)域顯著增強。CARVE通過簡單的數(shù)學運算，成功分離出這兩個因子，有效抑制了視覺噪音的干擾。

實驗結果顯示，CARVE方法在多個標準測試集上均取得了顯著成效。特別是在處理能力有限的開源模型時，性能提升幅度最高達到75%。以LLAVA1.5-7B模型為例，在專門測試復雜場景小目標定位能力的V*數(shù)據(jù)集上，其準確率從38.7%提升至66.5%，提升幅度達71.83%。在需要識別圖像中文字信息的TextVQA數(shù)據(jù)集上，同一模型的準確率也從47.8%提升至58.2%。

與其他視覺增強方法的對比測試進一步驗證了CARVE的優(yōu)勢。在TextVQA數(shù)據(jù)集上，CARVE以58.2%的準確率領先于所有對比方法，包括基于SAM分割的方法（49.42%）、YOLO目標檢測方法（48.84%）和CLIP視覺-語言匹配方法（48.55%）。雖然CARVE的處理時間（1.34秒/張）略長于YOLO等快速方法，但顯著快于需要復雜分割的SAM方法（3.33秒/張），且無需任何模型訓練，具有更好的實用性。

研究團隊深入分析了CARVE的工作機制，發(fā)現(xiàn)使用網(wǎng)絡深層注意力信息比淺層更有效，這與AI注意力在不同網(wǎng)絡層次的演化規(guī)律一致。在淺層網(wǎng)絡中，AI的注意力呈現(xiàn)全局掃描特征；隨著網(wǎng)絡加深，注意力逐漸聚焦到關鍵區(qū)域。CARVE通過對比機制，幫助模型在網(wǎng)絡深層實現(xiàn)更有效的注意力收斂。

CARVE方法展現(xiàn)出了良好的魯棒性。研究測試了不同的圖像掩碼生成參數(shù)，發(fā)現(xiàn)在保留圖像20%-60%區(qū)域、選擇2-3個主要區(qū)域的設置下，模型性能提升最為穩(wěn)定。過度激進的掩碼策略（如只保留20%以下區(qū)域或僅選擇一個區(qū)域）反而會導致性能下降，因為可能丟失重要視覺信息。

盡管CARVE取得了顯著進展，但研究團隊也指出了其局限性。該方法會增加一定的計算開銷，雖然通過早期終止推理和注意力緩存等優(yōu)化策略，計算效率已得到提升，但在實時應用場景中仍需進一步優(yōu)化。CARVE的效果依賴于通用指令的選擇，研究團隊通過實驗確定了最優(yōu)指令，但在不同語言和文化背景下可能需要調(diào)整。對于極端復雜的場景，如包含數(shù)百個小物體的密集圖像，CARVE可能仍需結合其他技術手段。

這項研究為提升AI視覺推理能力提供了新思路。通過模擬人類"先瀏覽再聚焦"的視覺認知模式，CARVE幫助AI模型在復雜環(huán)境中更準確地定位關鍵信息。隨著技術的不斷完善，這類方法有望在醫(yī)療影像分析、輔助視覺系統(tǒng)、教育輔導等多個領域發(fā)揮重要作用，使AI的視覺理解能力更接近人類水平。