вот где вступает в дело FastVLM

они накладывают MLP для проекции визуальных токенов из FastViTHD в мир LLM

результат: значительно меньше токенов (, например, в 4 раза меньше, чем FastViT, в 16 раз меньше, чем ViT‑L/14 при разрешении 336 пикселей ). Я имею в виду, что это большое снижение количества токенов и сложности, в то время как