IXThinker·2026-05-09 16:40

多輪視覺問答Token壓縮九成 精度不掉

多輪視覺問答正成為大型視覺語言模型的效率考題。有高校與企業聯合提出學習式Token壓縮框架，以元學習建模跨輪次語義依賴，動態優化視覺Token選擇與重構，在多個基準上實現九成壓縮率而精度不掉。

多輪互動考驗壓縮

大型視覺語言模型憑多尺度視覺輸入獲得細粒度理解能力，但視覺Token數量隨之倍增，注意力計算複雜度同步攀升。現有壓縮方法多針對單輪設計，一旦進入多輪交互便性能驟降，成為推理效率的關鍵瓶頸。