arXiv · 机器人与计算机视觉· Baekseung Kim, Junhoo Lee, Sohyeon Hong, Suhyun Jeon, Minkyu Kim, Seungyeon Kim, Donghoon Han, Nojun Kwak·· 2026-10-15精选AI 评分78
互补未来 Token 剪枝用于世界动作模型
Complementary Future Token Pruning for World Action Models
AI 导读
针对预训练的世界动作模型(WAMs)在处理密集未来帧 Token 时产生的高推理延迟问题,本文提出了 CF-Prune 这一无需训练的剪枝框架。该方法利用指令与动作注意力机制识别任务相关 Token,并通过基于熵的相位识别机制保留高精度计算阶段以缓解性能下降。
推荐理由
提出无需训练的剪枝框架,在保持任务成功率的同时显著降低推理延迟。
来源:arXiv · 机器人与计算机视觉 · arxiv.org