# 視覺不是一種閱讀：多尺度視覺閱讀模式與重觀察理論 **英文題名：Vision Has More Than One Reading Mode: Multi-Scale Visual Reading and Re-observation Theory** **系列：Adaptive Perceptual Reading（APR）／自適應感知閱讀理論，第 3 篇** **作者：Neo.K** **機構：EveMissLab／一言諾科技有限公司** **版本：v0.1（2026-08-07）** ## 摘要 當代多模態模型正在逐步突破固定解析度、固定影格率與固定視覺 token 預算：高解析影像可以先粗看，再定位任務相關區域並局部放大；長影片可以先低頻掃描，再對關鍵時間片段提高 frame rate、重新驗證甚至修正第一次選錯的位置。這些能力已分別出現在 region selection、query-aware zoom、temporal navigation、hierarchical memory 與 active tool use 等研究中。 本文提出「多尺度視覺閱讀模式」（Multi-Scale Visual Reading Modes, MVRM），作為 Adaptive Perceptual Reading（APR）的第三層。本文主張，「看」並非單一操作。正如文字存在掃讀、速讀、精讀、深讀與重讀，視覺智能也應具有監視、瞥視、掃視、追視、精視、深視與重觀察等不同模式。這些模式不是單純由解析度高低排列，而是由多個可獨立控制的感知自由度共同形成，包括空間解析度、時間解析度、視野覆蓋、推理深度、歷史跨度與重觀察能力。 本文形式化定義視覺閱讀狀態與模式轉移，提出「同一輸入、多種觀看」、「高解析度不等於深理解」、「重觀察是正常智能行為」等命題，並給出 MVP 與可驗證假說。其核心命題為： **視覺輸入可以相同，但智能體的觀看行為不必相同；真正的視覺智能不只是看見，而是知道應該用什麼方式看。** **關鍵詞：** 自適應視覺、視覺閱讀、主動視覺、粗到細感知、重觀察、視覺注意、影片理解、多模態智能、Agentic Perception --- ## 1. 問題：為什麼閱讀有很多種，但「看」常被當成一種？ 人類對文字的處理從來不是單一模式。同一篇文章可以被掃讀、速讀、精讀、深讀、搜尋特定詞，或回頭重讀。因此： $$ \text{Reading}\neq\text{Uniform Processing} $$ 文字內容沒有改變： $$ X=X $$ 但在不同任務與閱讀策略下： $$ R(X;G_1,M_1)\neq R(X;G_2,M_2) $$ 然而，在多模態人工智慧中，「看一張圖」常被簡化成： $$ I\rightarrow VisionEncoder(I)\rightarrow Z $$ 「看一段影片」則常被表示為： $$ F_1,F_2,\ldots,F_T\rightarrow VideoEncoder\rightarrow Z $$ 即使系統已使用 dynamic resolution、frame sampling 或 token pruning，概念上仍容易把「觀看」視為一種統一操作。 本文提出： $$ \boxed{\text{Vision}\neq\text{One Perceptual Act}} $$ 更一般地： $$ V_t=\mathcal O(X,G_t,M_t,A_t,\Theta_t) $$ 其中： - $X$ ：原始視覺資料； - $G_t$ ：任務； - $M_t$ ：記憶； - $A_t$ ：注意策略； - $\Theta_t$ ：觀看模式參數。 因此即使： $$ X_t=X_{t+1} $$ 仍可能： $$ V_t\neq V_{t+1} $$ 因為新的問題可以讓同一張圖片產生不同的觀看行為。 --- ## 2. 人類視覺本身就是非均勻感知系統 人類中央凹提供高解析視覺，而周邊視野較偏向粗略資訊，因此有效視覺更接近： $$ \text{Global Low-Detail Field} + \text{Local High-Detail Sampling} $$ 而不是： $$ \text{Uniform Maximum Resolution} $$ 更重要的是，人類會移動眼睛、頭部乃至身體以取得更有資訊量的視角。真實世界 3D 視覺搜尋研究顯示，受試者會主動選擇遮擋較少、資訊更充分的位置，而不是只被動接收固定視角。 task-dependent gaze 研究也長期指出：同一場景在不同任務指令下，可以產生不同 fixation 與掃視序列。 因此： $$ \boxed{ \text{What is seen} \neq \text{What is physically available} } $$ 而更接近： $$ \text{What is seen} = f( \text{scene}, \text{task}, \text{gaze}, \text{memory}, \text{budget} ) $$ --- ## 3. 近期 MLLM 已開始出現「不同看法」 ### 3.1 空間 coarse-to-fine PinPoint 先找出 instruction-relevant image regions，再對局部區域抽取細粒度視覺特徵。Q-Zoom 則先以 coarse global features 判斷是否需要高解析處理，必要時再定位 task-relevant ROI。 抽象為： $$ I^{low}\rightarrow ROI\rightarrow I^{high}_{ROI} $$ 而不是： $$ I^{high}_{all}\rightarrow FullProcessing $$ ### 3.2 時間 coarse-to-fine Zoom-Zero 先定位與問題相關的時間區段，再對重要影格做 temporal zoom-in。VideoZoomer 從低 frame-rate 全局概覽開始，在推理途中自主提高特定時間區段的 frame rate。 因此： $$ Video^{low\_fps} \rightarrow [t_a,t_b] \rightarrow Video^{high\_fps}_{[t_a,t_b]} $$ ### 3.3 主動導航與停止 LongVideo-R1 從高階影片摘要開始，逐步選擇最有資訊量的片段，並在資訊充分時停止探索。VideoARM 則建立 observe–think–act–memorize 迴圈，以工具與階層記憶進行 coarse-to-fine 理解。 因此模型逐漸具有兩種能力： $$ \text{Where to look next?} $$ 與： $$ \text{Have I seen enough?} $$ ### 3.4 歷史再展開 WeaveTime 在串流 Video-LLM 中使用不確定性觸發的 coarse-to-fine history retrieval，代表歷史視覺資訊不必永遠保持最高成本表示。 上述工作共同指出： $$ \boxed{\text{Visual Processing Depth Can Be Conditional}} $$ --- ## 4. 多尺度視覺閱讀模式 本文定義觀看狀態： $$ \Theta_t = ( \rho^s_t, \rho^t_t, \omega_t, d_t, h_t, q_t ) $$ 其中： - $\rho^s_t$ ：空間解析度； - $\rho^t_t$ ：時間解析度； - $\omega_t$ ：視野覆蓋比例； - $d_t$ ：推理深度； - $h_t$ ：歷史跨度； - $q_t$ ：是否啟用重觀察。 因此： $$ \boxed{ \text{Visual Depth} \neq \text{Image Resolution Alone} } $$ 一個系統可以看得很廣但很粗、看得很窄但很細、看得很快但推理很淺，也可以在解析度不變時提高推理深度。 --- ## 5. 模式 0：監視 Monitor 監視不是完全不看，而是保持最低成本的持續感知，回答： > 是否發生值得升級感知的事情？ 可使用： - frame difference； - event stream； - low-resolution thumbnail； - DOM/UI event； - object tracker； - lightweight encoder。 其輸出可簡化為： $$ E_t= \{ change, confidence, location \} $$ 它相當於視覺系統的待機層。 --- ## 6. 模式 1：瞥視 Glance 瞥視追求場景 gist： > 大概是什麼？ 典型配置： $$ \rho^s=L,\quad \rho^t=L,\quad \omega=G,\quad d=L $$ 它適合回答： - 室內或室外； - 是否有人； - 畫面大致是文件、遊戲、簡報或監控； - 影片大致在發生什麼。 瞥視主要建立初始 prior： $$ P(S|X_{coarse}) $$ --- ## 7. 模式 2：掃視 Scan 掃視的目的不是全面理解，而是搜尋特定目標、異常或證據。 令目標為 $g$ ： $$ \pi_{scan} = \arg\max_{\pi} P( locate(g)\mid\pi ) $$ subject to： $$ Cost(\pi)\le B_{scan} $$ 例如： - 找警告圖示； - 找特定人物； - 找某次事件； - 找文件上的金額； - 找畫面哪裡出現新物件。 因此其核心是： $$ \boxed{\text{Locate Relevant Evidence}} $$ 可類比文字的： $$ \boxed{Visual\ Ctrl+F} $$ --- ## 8. 模式 3：追視 Track 影片還需要另一種模式：找到重要物件後持續追蹤，而不是每一幀重新搜尋。 令目標為 $o_t$ ： $$ P(o_t|o_{t-1},X_t) $$ 追視可處理： - object tracking； - speaker tracking； - trajectory tracking； - action continuation； - GUI focus tracking； - state-transition tracking。 典型情況可能是： $$ \rho^s=M,\quad \rho^t=H,\quad \omega=L,\quad d=L/M $$ 這說明： $$ \boxed{ \text{High Temporal Attention} \neq \text{High Spatial Attention} } $$ 快速手部動作可能只需要提高： $$ \rho^t $$ 而不需要整個畫面都提高空間解析度。 --- ## 9. 模式 4：精視 Inspect 精視處理： > 已知要看哪裡，但需要確認細節。 例如： - 數字是 $38.2$ 還是 $88.2$ ？ - 儀表指針在哪一格？ - 手中拿了什麼？ - 錯誤訊息小字寫什麼？ 其形式是： $$ ROI \rightarrow Crop \rightarrow HighResolution \rightarrow FineRecognition $$ 典型配置： $$ \rho^s=H,\quad \omega=L,\quad d=M $$ PinPoint、Q-Zoom、Zoom-Refine 都已提供這類局部高解析處理的技術例證。 但： $$ \boxed{Inspect\neq Deep} $$ 精視代表感知精度增加，不表示推理深度必然增加。 --- ## 10. 模式 5：深視 Deep Perception 深視不是單純把圖片放大，而是： $$ d_t\uparrow $$ 包括： - 多步推理； - 跨影格比較； - 查閱記憶； - 建立因果假說； - 比較替代解釋； - 工具使用； - 驗證初步答案。 有些任務不需要更高像素解析度，但需要： $$ h_t\uparrow,\quad d_t\uparrow $$ 因此： $$ \boxed{ \text{Fine Perception} \neq \text{Deep Perception} } $$ 高解析圖片可以被淺層處理；低解析影片也可能需要深度推理。 --- ## 11. 模式 6：重觀察 Re-observe 第一次觀察： $$ X\xrightarrow{\Theta_1}Z_1 $$ 之後出現新問題 $Q_2$ 、證據衝突或高不確定性： $$ U\uparrow $$ 智能體可以重新設定： $$ \Theta_2\neq\Theta_1 $$ 再： $$ X\xrightarrow{\Theta_2}Z_2 $$ 即使： $$ X=X $$ 也可以： $$ Z_1\neq Z_2 $$ 重觀察可以是： - 看同一張圖的另一區； - 放大； - 回放影片； - 提高 frame rate； - 慢放； - 讀取更早歷史； - 換另一個視覺工具； - 從原始資料重新建立證據。 Zoom-Refine 的初步回答→局部放大→重新修正，以及 VideoZoomer 在推理過程中修正初始 frame selection，都提供了這種能力的局部實例。 因此： $$ \boxed{\text{Re-observation is not failure}} $$ 而是正常的 epistemic action。 --- ## 12. 同一輸入，多種觀看 ### 命題 1：觀看非唯一性 對同一視覺輸入 $X$ ： $$ (G_1,M_1,U_1) \neq (G_2,M_2,U_2) $$ 則最優策略可不同： $$ \Theta^*_1\neq\Theta^*_2 $$ 因此： $$ \mathcal O(X;\Theta^*_1) \neq \mathcal O(X;\Theta^*_2) $$ 例如同一張街景： 問題 A「有幾輛車？」需要： $$ Scan(objects) $$ 問題 B「左側招牌寫什麼？」需要： $$ Scan(sign)\rightarrow Inspect(sign) $$ 問題 C「是否存在交通危險？」則可能需要： $$ Scan\rightarrow Track\rightarrow Deep $$ 輸入相同，但觀看路徑不同。 --- ## 13. 三個核心解析度軸 ### 13.1 空間解析度 $$ \rho^s $$ 控制每個空間位置看多細。 ### 13.2 時間解析度 $$ \rho^t $$ 控制時間上看多密。 ### 13.3 推理解析度／深度 $$ \rho^r\equiv d $$ 控制對已取得證據思考多深。 因此： $$ \boxed{\rho^s,\rho^t,\rho^r} $$ 是三個可以獨立控制的軸。 例如： $$ \rho^s=H,\quad \rho^t=L,\quad \rho^r=L $$ 可以是高解析 OCR； $$ \rho^s=L,\quad \rho^t=H,\quad \rho^r=M $$ 可以是快速運動追蹤； $$ \rho^s=M,\quad \rho^t=M,\quad \rho^r=H $$ 可以是一般畫質下的深度影片推理。 因此： $$ \boxed{\text{More Vision}} $$ 並不是單一方向。 --- ## 14. 視野覆蓋與歷史跨度 令： $$ \omega_t\in[0,1] $$ 代表高成本處理的空間比例。 瞥視可能： $$ \omega\approx1,\quad\rho^s=L $$ 精視可能： $$ \omega\ll1,\quad\rho^s=H $$ 另令： $$ h_t $$ 表示需要回看的歷史跨度。 即時控制可能： $$ h_t\approx0 $$ 而因果分析可能： $$ h_t\gg0 $$ WeaveTime 的 uncertainty-triggered history expansion 說明 $h_t$ 也可以是動態參數。 --- ## 15. 模式不是硬分類，而是策略空間中的典型區域 一般感知策略空間為： $$ \mathcal P = \{ (\rho^s,\rho^t,\omega,d,h,q) \} $$ 例如： $$ Glance\approx(L,L,G,L,L,0) $$ $$ Track\approx(M,H,L,L/M,M,0) $$ $$ Inspect\approx(H,L/M,L,M,L/M,0) $$ $$ Deep\approx(M,M,M,H,H,0/1) $$ $$ Reobserve\approx(\ast,\ast,\ast,\ast,H,1) $$ 所以模式名稱的作用主要是： > 為感知策略提供可解釋的控制語義。 實際模型仍可使用連續 policy。 --- ## 16. 模式轉移 令： $$ m_t\in \{ Monitor, Glance, Scan, Track, Inspect, Deep, Reobserve \} $$ 模式轉移為： $$ m_{t+1} = T( m_t, \Delta^{sig}_t, G_t, U_t, R_t, B_t ) $$ 例如： $$ Monitor\rightarrow Glance \quad\text{if}\quad Novelty>\tau_N $$ $$ Glance\rightarrow Scan \quad\text{if}\quad GoalRequiresLocalization=1 $$ $$ Scan\rightarrow Inspect \quad\text{if}\quad TargetFound\land FineDetailNeeded $$ $$ Scan\rightarrow Track \quad\text{if}\quad TemporalContinuityNeeded $$ $$ Inspect\rightarrow Deep \quad\text{if}\quad ReasoningUnresolved $$ 任何模式都可： $$ Any\rightarrow Reobserve $$ 若： $$ U_t>\tau_U $$ 或： $$ ContradictionDetected=1 $$ 這形成一個： $$ \boxed{Perceptual State Machine} $$ --- ## 17. APR-02 到 APR-03 APR-02 定義： $$ \Delta^{sig}_t $$ 表示變化的重要性。 APR-03 則回答： > 發現重要變化後，應該如何看？ 因此： $$ \Delta^{pix} \rightarrow \Delta^{feat} \rightarrow \Delta^{state} \rightarrow \Delta^{sig} \rightarrow m_t \rightarrow \Theta_t $$ 最後： $$ Z_t=\mathcal O(X_t;\Theta_t) $$ 感知系統不再只有： $$ Detected/NotDetected $$ 而可以選擇： $$ \boxed{\text{How to Perceive}} $$ --- ## 18. 主動觀看與視角選擇 對具身 Agent，觀看還可以改變觀察位置 $Pose_t$ ： - 攝影機轉向； - 頭部轉動； - 身體移動； - 靠近物體； - 改變角度； - 移除遮擋。 因此可擴展： $$ \Theta_t = ( \rho^s, \rho^t, \omega, d, h, q, Pose ) $$ 這使感知從： $$ SelectData $$ 進一步成為： $$ \boxed{ActToAcquireBetterData} $$ 如果機器人看不清楚一個物件，正確動作未必是： $$ ReasonHarder $$ 而可能是： $$ MoveCamera $$ --- ## 19. 觀看深度與計算預算 定義： $$ C(\Theta) = C_s(\rho^s,\omega) + C_t(\rho^t,h) + C_r(d) + C_q(q) $$ 智能體選擇： $$ \Theta_t^* = \arg\max_{\Theta} \left[ \mathbb E[IG(\Theta)] + \alpha Rel_G(\Theta) + \beta RiskCov(\Theta) - \lambda C(\Theta) \right] $$ 核心不是最大化解析度，而是： $$ \boxed{ \text{Maximum Resolution} \neq \text{Optimal Perception} } $$ 如果問題只需場景分類，高解析逐像素分析是浪費；如果需要細字辨識，再深的語言推理也無法彌補缺失的影像細節；如果需要捕捉短暫動作，高空間解析但低 frame rate 仍可能失敗。 --- ## 20. 感知不足與感知過剩 ### 20.1 感知不足 若： $$ C(\Theta)\tau_U $$ ### 證據衝突 $$ Evidence_A\not\approx Evidence_B $$ ### 新問題 $$ G_{t+1}\neq G_t $$ ### 高風險低信心 $$ Risk_t\uparrow\land Confidence_t\downarrow $$ ### 世界模型與觀測不一致 $$ D( \hat X_t(W_t), X_t )>\tau_D $$ 此時執行： $$ Reobserve(region,time,resolution,modality) $$ --- ## 22. 感知閱讀軌跡 對完整任務可以記錄： $$ \mathcal T_P = [ (m_1,\Theta_1), (m_2,\Theta_2), \ldots, (m_n,\Theta_n) ] $$ 稱為： **Perceptual Reading Trajectory／感知閱讀軌跡。** 例如： $$ Glance \rightarrow Scan \rightarrow Inspect \rightarrow Reobserve \rightarrow Deep \rightarrow Stop $$ 或： $$ Monitor \rightarrow Track \rightarrow Track \rightarrow Monitor $$ 此軌跡本身可以成為： - 訓練資料； - RL policy trajectory； - 可解釋性紀錄； - 成本分析資料； - Agent debugging 資料。 未來 benchmark 不只問： $$ AnswerCorrect? $$ 還可以問： $$ \boxed{DidTheAgentLookEfficiently?} $$ --- ## 23. 可驗證假說 ### H1：模式切換優於固定觀看 在包含 gist、search、fine-detail 與 temporal reasoning 的混合任務中，自適應模式切換應形成更好的 Accuracy–Cost Pareto frontier。 ### H2：空間與時間解析度應分離控制 細字辨識中： $$ \frac{\partial Acc}{\partial \rho^s} > \frac{\partial Acc}{\partial \rho^t} $$ 高速事件辨識中則應反向： $$ \frac{\partial Acc}{\partial \rho^t} > \frac{\partial Acc}{\partial \rho^s} $$ ### H3：精視不等於深視 存在主要由視覺細節限制的任務 $Q_f$ ，以及主要由推理限制的任務 $Q_r$ ： $$ \frac{\partial Acc(Q_f)}{\partial \rho^s} > \frac{\partial Acc(Q_f)}{\partial d} $$ 而： $$ \frac{\partial Acc(Q_r)}{\partial d} > \frac{\partial Acc(Q_r)}{\partial \rho^s} $$ ### H4：重觀察能修復第一次選擇錯誤 允許 Reobserve 的模型，應在 initial ROI error、frame sampling miss 與 ambiguous OCR 任務中降低不可恢復錯誤。 ### H5：任務條件觀看軌跡不同 同一影片不同問題： $$ G_1\neq G_2 $$ 應產生： $$ \mathcal T_P(G_1)\neq\mathcal T_P(G_2) $$ 且差異應與任務效能相關。 --- ## 24. MVP 實驗 建立四類任務： ### A. Gist > 這是哪一類場景？ 預期： $$ Glance $$ ### B. Search > 警告圖示在哪裡？ 預期： $$ Glance\rightarrow Scan $$ ### C. Fine-detail > 儀表數值是多少？ 預期： $$ Scan\rightarrow Inspect $$ ### D. Temporal reasoning > 他在打開抽屜之前做了什麼？ 預期： $$ Glance \rightarrow TemporalScan \rightarrow Track/Reobserve \rightarrow Deep $$ 比較： - System A：Uniform High； - System B：Uniform Low； - System C：Static Coarse-to-Fine； - System D：MVRM Agent。 量測： $$ Accuracy $$ $$ VisualTokens $$ $$ FramesRead $$ $$ HighResArea $$ $$ ReasoningTokens $$ $$ Latency $$ $$ ReobserveCount $$ $$ InitialErrorRecoveryRate $$ 以及： $$ \boxed{PerceptualUtilityPerCost} $$ --- ## 25. 與既有研究的邊界 本文不主張以下能力本身為新： - foveated vision； - saliency； - active vision； - region proposal； - image zoom； - dynamic resolution； - temporal zoom； - frame selection； - video navigation； - coarse-to-fine reasoning； - visual tool use； - history retrieval。 PinPoint、Q-Zoom、Zoom-Zero、VideoZoomer、LongVideo-R1、VideoARM 與 WeaveTime 已分別展示其中若干能力。 本文提出的是統一描述： $$ \boxed{ \text{Visual Perception} = \text{Mode Selection} + \text{Multi-Axis Resource Allocation} + \text{Optional Re-observation} } $$ 也就是： > zoom、scan、track、deep reasoning、history retrieval 與 re-observation，可以被視為同一個 Perceptual Reading Policy 下的不同視覺行為。 --- ## 26. 限制 第一，模式名稱具有人工語義。模型不必內部真的維持七個離散神經模組；MVRM 可以是： $$ \Theta_t\in\mathbb R^n $$ 的連續 policy。 第二，模式切換本身有成本。若： $$ C_{routing}>C_{saved} $$ 則自適應控制失去意義，因此 controller 必須保持輕量。 第三，粗略觀看可能漏掉小但重要的訊號，因此需要 minimum coverage、random rescan、risk-sensitive sampling 與 periodic refresh。 第四，高風險領域不能只以平均成本最佳化，而必須約束： $$ P(CriticalMiss)<\epsilon $$ 第五，並非所有影片都高度冗餘；高動態影片可能自然使最優策略接近 full processing。 --- ## 27. 討論：從視覺吞吐轉向視覺閱讀 如果系統的基本邏輯是： $$ InputArrives \Rightarrow ProcessEverything $$ 那麼長時間多模態智能會持續遭遇： $$ InputBandwidth \rightarrow TokenExplosion \rightarrow MemoryExplosion $$ MVRM 提出的另一種邏輯是： $$ InputArrives \Rightarrow ChooseHowToReadIt $$ 真正成熟的感知能力因此不只是： $$ CanReadImages $$ 而是： $$ \boxed{ CanChooseHowToReadImages } $$ 智能不是永遠看最細，而是知道： - 什麼只需要瞥一眼； - 什麼需要搜尋； - 什麼值得持續追蹤； - 什麼必須放大； - 什麼需要深度推理； - 什麼應該回頭再看。 --- ## 28. 結論 本文提出多尺度視覺閱讀模式 MVRM，將觀看表示為： $$ \boxed{ \Theta_t = ( \rho^s_t, \rho^t_t, \omega_t, d_t, h_t, q_t ) } $$ 並提出七種功能性典型模式： $$ \boxed{ Monitor,\; Glance,\; Scan,\; Track,\; Inspect,\; Deep,\; Reobserve } $$ 它們不是固定線性流程，而是可依目標、不確定性、風險與資源任意轉移的感知狀態。 APR-03 建立三個核心區分： $$ \boxed{ \text{High Spatial Resolution} \neq \text{High Temporal Resolution} \neq \text{Deep Reasoning} } $$ 以及： $$ \boxed{ \text{Same Input} \not\Rightarrow \text{Same Perceptual Act} } $$ 最後： $$ \boxed{ \text{Re-observation} \neq \text{Failure} } $$ 而是正常的 epistemic action。 至此： $$ \text{APR-01: Why allocate perception?} $$ $$ \Downarrow $$ $$ \text{APR-02: What change deserves attention?} $$ $$ \Downarrow $$ $$ \text{APR-03: How should the agent look?} $$ 下一篇 APR-04 將把上述三層接到： $$ \boxed{ PersistentWorldState + DifferentialUpdate + SelectiveRe-observation } $$ 以回答： **連續觀看是否真的需要連續重建整個世界？** --- ## 參考文獻 1. Kwon, M., Lee, M., Choi, S., et al. (2026). *Focus, Don't Prune: Identifying Instruction-Relevant Regions for Information-Rich Image Understanding*. CVPR 2026. 2. Shi, Y., Pei, X., Wen, L., Dong, M., & Xu, C. (2026). *Q-Zoom: Query-Aware Adaptive Perception for Efficient Multimodal Large Language Models*. arXiv:2604.06912. 3. Shen, X., Chen, M.-H., Wang, Y.-C. F., Elhoseiny, M., & Hachiuma, R. (2026). *Zoom-Zero: Reinforced Coarse-to-Fine Video Understanding via Temporal Zoom-in*. ICLR Workshop 2026. 4. Ding, Y., Zhang, Y., Lai, X., Chu, R., & Yang, Y. (2025/2026). *VideoZoomer: Reinforcement-Learned Temporal Focusing for Long Video Reasoning*. arXiv:2512.22315. 5. Qiu, J., Xie, L., Huo, X., Tian, Q., & Ye, Q. (2026). *LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding*. CVPR 2026. 6. Yin, Y., Meng, Q., Chen, M., Ding, J., Shao, Z., & Yu, Z. (2026). *VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding*. CVPR 2026. 7. Zhang, Y., Shi, C., & Yang, S. (2026). *WeaveTime: Streaming from Earlier Frames into Emergent Memory in VideoLLMs*. CVPR 2026. 8. Yu, X., Guan, D., Yang, M. Y., & Gu, Y. (2025). *Zoom-Refine: Boosting High-Resolution Multimodal Understanding via Localized Zoom and Self-Refinement*. arXiv:2506.01663. 9. Greenwood, J. A., Kyprianou, M., & Dekker, T. M. (2026). *The development of visual acuity and crowding reveals the slow fine-tuning of foveal vision*. Scientific Reports, 16, 3234. 10. Wu, et al. (2025). *Real-world visual search goes beyond eye movements: Active searchers select 3D scene viewpoints too*. PMID: 40638606. 11. Tatler, B. W., et al. (2010). *Modelling the role of task in the control of gaze*. PMC2856937. 12. Xu, Z.-X., & DeAngelis, G. C. (2025). *Seeing a Three-Dimensional World in Motion: How the Brain Computes Object Motion and Depth During Self-Motion*. Annual Review of Vision Science, 11, 423–446. --- ## 系列位置 APR-01：從均勻感知到自適應感知閱讀：多模態智能的感知資源配置理論 APR-02：從像素差分到語義差分：連續多模態感知中的變化階層 **APR-03：視覺不是一種閱讀：多尺度視覺閱讀模式與重觀察理論 ← 本文** APR-04：持續世界狀態與差分重觀察：從連續影片理解到持續感知智能 APR-05：感知預算分配：從固定視覺 Token 到動態資訊獲益最大化 APR-06：跨模態感知閱讀：文字、影像、影片與聲音的統一注意策略 APR-07：Agentic Perception：具備自主觀看策略的多模態智能架構