跳到正文
arXiv · 机器人与计算机视觉· Chenxin Fang, Tao Chen, JunChao You, Jun Peng, Yiyi Zhou, Rongrong Ji·· 14 小时前AI 评分42

Visual Token Coding 实现视频多模态大模型高效压缩

Visual Token Coding for Video Multimodal Large Language Models

AI 导读

Visual Token Coding(VTC)提出一种基于视频编码原理的令牌压缩范式,在 Qwen3-VL 上实现 50% 压缩比时性能保留率达 98.4%,增强版 VTC_dy 更提升至 100.3%。该设计作为即插即用模块无需微调模型即可显著降低成本,相关代码附于补充材料中。

来源:arXiv · 机器人与计算机视觉 · arxiv.org