arXiv 新增 + MLLM local cue self-improvement · P3 · 2026-06-17

LOCUS：它和通用视觉自监督的关系在于：训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择

中相关；详见方法、贡献和实验边界。

LOCUS: Local Visual Cue Search for Enhancing Fine-Grained Perception in Multimodal Large Language Models　arXiv 新增 + MLLM local cue self-improvement　原文链接

编号2606.16586 优先级P3 类别arXiv 新增 + MLLM local cue self-improvement 会议arXiv 新增 + MLLM local cue self-improvement 方法训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择。中相关；详见方法、贡献和实验边界。

**(b) VQA Accuracy by IoU Level Figure 2: Grounding quality vs**(b) VQA Accuracy by IoU Level Figure 2: Grounding quality vs. VQA correctness on V\*Bench direct\_attributes with Qwen2.5-VL-7B-Instruct. (a) Mean IoU and success rate (IoU ≥ 0.5) for correct vs. wrong answers. (b) VQA accuracy by grounding IoU.这张图/表用于判断 LOCUS 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 1 · : Motivation of LOCUS**Figure 1: Motivation of LOCUS. Left: fine-grained evidence occupies only a few visual tokens and is weakly attended by the base model, causing visual context rot. Right: LOCUS uses training-time local visual cue search to improve evidence selection while keeping inference unchanged.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 LOCUS 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择。

方法拆解

训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。