跳到正文
arXiv · 机器人与计算机视觉· Seyoung Jeong, Jong Pil Yun, Sang Jun Lee·· 2026-10-08AI 评分42

ReFIT:一种用于加速大视觉语言模型推理的自适应视觉 Token 缩减框架

Adaptive Visual Token Reduction for Accelerated Image Understanding

AI 导读

ReFIT 提出了一种指令引导的视觉 Token 缩减框架,通过相关性引导窗口重塑和指令引导 Token 细化技术,在保持空间结构信息的同时降低计算成本。实验显示该方法在四个 VQA 基准测试中提升了回答准确率并减少了算力消耗,定性结果证实了其在定位相关区域及去除冗余信息方面的有效性。该工作目前处于审稿状态,代码与权重暂未公开。

来源:arXiv · 机器人与计算机视觉 · arxiv.org