Visual Funnel: многоуровневый контекст для визуальных задач в MLLMs

Обнаружено: MLLMs (мультимодальные модели типа GPT-4V, Claude с Vision) страдают "Contextual Blindness" — модель видит и мелкую деталь (тугой crop), и весь контекст (оригинал), но не может связать одно с другим. Visual Funnel позволяет извлекать точную информацию из мелких деталей на сложных изображениях — таблицы, инфографика, плотные документы — когда нужно связать фокус с контекстом для интерпретации. Метод создаёт иерархию из трёх масштабов: тугой crop детали → средний crop с ближайшим контекстом (заголовки, соседние объекты) → широкий crop окружения, плюс оригинал. +9-16 процентных пунктов точности на задачах с документами.