English(EN) Rescuing Your Pruning: Rethinking Visual Token Pruning and Post-Training Recovery in MLLMs

新方法通过重新思考视觉标记剪枝和恢复来优化 MLLMs

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了一种新的方法来优化多模态大语言模型 (MLLMs)，通过重新思考视觉标记剪枝和训练后恢复。他们的方法包括策划一个大型数据集来恢复剪枝后的性能损失，即使在光学字符识别和接地等任务中也显示出显著的收益。研究还发现，对于原生分辨率 MLLMs 的预填充时间，视觉编码器而不是语言模型是主要瓶颈，这表明为了实现加速，标记被移除的位置比移除的总数更关键。 AI

影响这项研究通过在不显著牺牲性能的情况下降低推理成本，可能带来更高效的多模态人工智能系统。

排序理由学术论文，详细介绍了一种优化 MLLMs 的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 10 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种优化 MLLMs 的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Peiran Yin, Hao Wu, Zihao Yang, Haozhe Hu, Xudong Wang, Xiaoyu Shen · 2026-10-27 04:00

拯救你的剪枝：重新思考多模态大语言模型中的视觉Token剪枝与训练后恢复

arXiv:2610.33688v1 Announce Type: new Abstract: Visual token pruning substantially reduces the inference cost of multimodal large language models (MLLMs), yet existing methods are mostly training-free and plug-and-play. They treat the resulting performance drop as an inevitable c…

本文如何被排名

报道来源 [1]

拯救你的剪枝：重新思考多模态大语言模型中的视觉Token剪枝与训练后恢复

相关实体

相关话题