论文笔记：Treat Visual Tokens as Text? But Your MLLM Only Needs Fewer Efforts to See

2024 10月的arxiv

1 主要idea

• 针对多模态大模型（如LLaVA），提出了一系列高效的剪枝策略
  • 在显著降低计算开销（多达 88%）的同时，保持了模型在多模态任务中的性能表现
  • 

2 目前的问题

• 与文本 token 相比，视觉 token 的数量往往更为庞大
  • 在 LLaVA 模型中，处理一张图像涉及超过 500 个视觉 token，而对应的文本 token 只有数十个
    • ——>计算效率低下
    • ——>视觉数据固有的空间稀疏性导致许多计算是冗余的
      • 大部分视觉 token 之间的交互权重很低，仅有邻近 token 之间的交互是关键
      • 
      •  在深层模型中，视觉 token 对文本生成的影响逐渐减弱
      • 
• 目前的优化策略通常以牺牲模型性能为代价
  • ——>如何在保持性能的同时显著降低计算复杂度，仍是一个急需解决的

3 论文方法

4 实验

效果没怎么降，FLOP降多了