最近在做一个项目，涉及到VLM对跨场景的三维图像理解和即时决策，当上传360x360图片大于三张时，VLM就要开始产生幻觉胡说八道，甚至无法按prompt中规定的标准格式返回答案 
我在想单次上传8张图片和单次上传8张图片拼成的一张图片能不能节省token，但导致的注意力分散似乎使得幻觉问题更加严重 
看了佬友的文章很有启发，但速度和费用是个很大问题，不知道有没有佬友有其他好方法。