PulseAugur
中
实时 09:31:59
English(EN) Visual Token Coding for Video Multimodal Large Language Models

新方法压缩视频以用于多模态大语言模型，保持性能

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文提出了用于多模态大语言模型（MLLMs）的视频数据压缩方法。第一篇论文《视觉令牌编码》（VTC）借鉴经典视频编码原理，预测帧并衡量冗余，在Qwen3-VL上实现了100.1%的性能保留，令牌预算为50%。第二篇论文《令牌预算蒸馏》（TBD）采用双路径师生设计，将全令牌语义迁移到压缩视频的VLMs，在LLaVA-Video上以10%的令牌预算保持了97.0%的准确率。这两种方法都旨在降低处理MLLMs视频输入的计算成本，同时不显著降低性能。 AI

影响 这些技术可以显著降低多模态AI系统中视频理解的计算成本并提高效率。

排序理由 arXiv上发表的两篇研究论文，提出了多模态大语言模型视频令牌压缩的新方法。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法压缩视频以用于多模态大语言模型，保持性能

本文如何被排名

Signal score
21 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
arXiv上发表的两篇研究论文，提出了多模态大语言模型视频令牌压缩的新方法。
Source corroboration
2 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Chenxin Fang, Tao Chen, JunChao You, Jun Peng, Yiyi Zhou, Rongrong Ji ·

    面向视频多模态大语言模型的视觉标记编码

    arXiv:2608.28008v1 Announce Type: new Abstract: In this paper, we propose a new token compression paradigm for video Multimodal Large Language Models (MLLMs), termed Visual Token Coding (VTC). Inspired by classical video coding principles, e.g., HEVC, VTC performs structured comp…

  2. arXiv cs.CV TIER_1 English(EN) · Xiaoyang Guo, Guoping Luo, Jusheng Zhang, Keze Wang, Wenhao Wang ·

    Token-Budget Distillation: 将全Token语义迁移到压缩视频视觉-语言模型

    arXiv:2608.28138v1 Announce Type: new Abstract: Adapting video vision-language models (VLMs) is computationally expensive because video inputs produce a large number of visual tokens, making both fine-tuning and inference costly. Although visual token compression can reduce this …

相关实体

相关话题