ここでFastVLMが登場します

彼らはMLPを使ってFastViTHDから視覚トークンをLLMの世界に投影します。

結果：トークンがはるかに少なく、(FastViTの約4倍、336ピクセル解像度でViT‑L/14の約16倍少ない。つまり、トークン数と複雑さが大幅に減少しているということです。