V-CAST 免训练剪枝视觉 Token,长视频理解预填充提速 51%
中山大学、香港理工等团队提出 V-CAST,在视觉 Token 进入语言模型前进行时空剪枝,解决长视频理解中重复画面耗费算力、短暂线索易丢失的问题。方法全程免训练、即插即用,核心设计是按相邻帧特征变化的局部曲率为每帧分配 Token 预算。实验显示仅保留约 25% 视觉 Token 即可保住 97%98% 的理解表现,同时预填充提速 51%。
2026-11-16 ~ 2026-11-17 · 2 条相关
- 免训练剪枝 V-CAST:25% 视觉 Token 保住 98% 长视频理解,预填充提速 51% — 量子位 · 2026-11-16
另有 1 条近重复转述:量子位