GeoLLaVA-8K：将遥感多模态大语言模型扩展至 8K 分辨率

超高分辨率（UHR）遥感（RS）影像为地球观测提供了宝贵数据，但由于两个关键瓶颈，对现有的多模态基础模型构成了挑战：（1）UHR 训练数据可用性有限，以及（2）大图像尺寸导致的 token 爆炸。为解决数据稀缺问题，我们引入了 SuperRS-VQA（平均 8,376$\times$8,376）和 HighRS-VQA（平均 2,000$\times$1,912），这是迄今为止遥感领域分辨率最高的视觉-语言数据集，涵盖 22 个真实世界的对话任务。为缓解 token 爆炸，我们的初步研究揭示了遥感图像中的显著冗余：关键信息集中于一小部分以对象为中心的 token 中，而修剪背景 token（如海洋或森林）甚至能提升性能。受这些发现启发，我们提出了两种策略：背景 token 修剪和锚定 token 选择，以在保留关键语义的同时减少内存占用。结合这些技术，我们引入了 GeoLLaVA-8K，这是首个能够处理高达 8K$\times$8K 分辨率输入的遥感专用多模态大语言模型，基于 LLaVA 框架构建。在 SuperRS-VQA 和 HighRS-VQA 上训练后，GeoLLaVA-8K 在 XLRS-Bench 上创造了新的 SOTA。