DynaTokens 让视频-语言模型按需生成适配 token，免存任务提示

flosalim · x · 2026-09-22

作者 flosalim 宣布其工作 DynaTokens（Controlling Token Dynamics for Continual Video-Language Understanding）被 EMNLP 2026 主会接收。论文针对视频-语言多模态模型持续学习的痛点：传统做法要为每个新任务存一套适配 token/提示，任务增多后迅速累积。DynaTokens 的思路是让模型学会在需要时自己生成对应的适配 token，而非逐任务存储。实现上基于冻结的 LLaMA-2-7B 骨干加 CLIP ViT-L/14，用 LLaMA-Adapter 做高效视频-语言适配，不微调骨干。