多模态大模型扩展通常有两条路径：增加模型参数，或增加串行推理计算。前者带来更高内存开销，后者增加延迟，而且两者往往保留了视觉编码器与语言模型之间固定的计算比例。ParVL尝试引入第三种选择：复用已有骨干参数，通过并行分支扩展计算，并让视觉与语言两侧的投入可以重新分配。

用共享骨干扩展并行计算

ParVL同时复用现有的视觉 Transformer（ViT）和大语言模型（LLM）骨干，在视觉侧与语言侧建立多条并行计算流。每条分支使用独立的前缀参数，但主体骨干保持共享。这样做的重点不是继续扩大骨干参数量，而是在给定骨干参数预算下，增加调用共享参数的并行计算。

论文采用全参数监督微调进行端到端训练，训练数据规模约为 130 亿 token。其核心研究问题是：额外计算应当分给 ViT 编码器，还是分给 LLM 解码器，以及两者之间应采用怎样的比例。

最优计算比例取决于任务

实验结论显示，在相同训练方案下，ParVL的整体多模态表现优于单分支基线。但更值得关注的是，论文没有得到一个对所有任务都最优的固定比例：最佳的视觉—语言计算分配会随任务变化。

这意味着，多模态扩展不只是“总计算量够不够”的问题，还涉及计算放在哪里。视觉理解需求更强的任务与语言推理需求更高的任务，可能需要不同的分支配置。ParVL因此把原本固化在模型结构中的计算比例，转化为一个可研究、可调整的设计变量。

我的判断

ParVL的价值在于明确提出了参数规模、串行计算之外的并行扩展方向，并把视觉与语言之间的计算分配作为独立问题处理。它更适合骨干模型已经确定、但仍希望针对任务调整额外计算投入的场景。

不过，摘要未提供具体模型规模、评测基准、提升幅度，也没有给出并行分支在真实部署中的显存占用、吞吐和延迟数据。因此，目前可以确认的是其方法有效改善了所评估任务的总体表现，但还不能据此判断它是否能降低实际服务成本，或能否稳定迁移到更多模型与任务。