arXiv · 机器人与计算机视觉· Zihan Xiao (AIM3 Lab, Renmin University of China), Boshen Xu (AIM3 Lab, Renmin University of China), Pei Fu (MiLM Plus, Xiaomi Inc), Jianzhong Ju (MiLM Plus, Xiaomi Inc), Zhenbo Luo (MiLM Plus, Xiaomi Inc), Jian Luan (MiLM Plus, Xiaomi Inc), Qin Jin (AIM3 Lab, Renmin University of China)·· 4 小时前AI 评分48
VidToC:重新思考多模态大语言模型的视频 Token 压缩
VidToC: Rethinking Video Token Compression for Multimodal Large Language Models
AI 导读
VidToC 是一个受控评估框架,涵盖免训练与微调设置,在三个互补的视频理解任务上对比了代表性压缩算法、LLM 骨干及时间编码策略。研究揭示了任务依赖的压缩行为,并量化了压缩位置、时间编码方式及架构选择的影响,为跨任务设计视频 Token 压缩策略提供实证指导。
来源:arXiv · 机器人与计算机视觉 · arxiv.org