为何 VLM 会漏检小目标，以及何时放大图像是安全的

研究用图像接口的两个量 S（目标边长方向的视觉 token 数）和 L（单次调用需覆盖的内容）解释 VLM 漏检小目标的原因：W×H 图像在 N token 预算下整图输入时，目标每边最多只有 m*sqrt(N/(WH)) 个 token，token 预算翻倍仅使最大 S 提升 41%，而达到目标所需 S 至少需 S^2 量级 token。