TORINO：基于可解释概念重叠的VLM视觉token缩减框架

论文作者提出TORINO，一种针对视觉语言模型的自适应视觉token缩减框架，无需微调底层模型。它用稀疏自编码器将视觉token投影到可解释潜在空间，以共享概念激活衡量语义重叠，按语义内容分组后剪枝或合并，并根据图像复杂度动态调整压缩比例。 基于论文摘要，多个视觉语言基准上的实验显示TORINO在减少视觉token的同时保持较小的性能损失，实现有利的效率-精度权衡。源代码已发布。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。