VisionZip: Longer is Better but Not Necessary in Vision Language Models

本文是LLM系列文章，针对《VisionZip: Longer is Better but Not Necessary in Vision Language Models》的翻译。

摘要

视觉语言模型的最新进展通过增加视觉token的长度来提高性能，使其比文本token长得多，并显著提高了计算成本。然而，我们观察到，由流行的视觉编码器（如CLIP和SigLIP）生成的视觉token包含大量冗余。为了解决这个问题，我们引入了VisionZip，这是一种简单而有效的方法，可以选择一组信息token作为语言模型的输入，减少视觉token冗余，提高效率，同时保持模型性能。所提出的VisionZip可以广泛应用于图像和视频理解任务，非常适合现实世界场景中的多回合对话，在这些场景中，以前的方法往往表现不佳。实验结果表明，VisionZip在几乎所有设置中都比以前的最先进方法性能提高了至少5%。此外，我们的方法显著提高了模型推理速度，将预填充时间提高了8倍，使LLaVA-Next 13B模型的推理速度比LLaVA-Next7B模型更快，同时获得了更好的结果。此外，我们分析了这种冗余的原因，并鼓励社区专注于提取更好的视觉特征，而不仅仅是增加token长度。我们的代码在https://github.com/dvlabresearch/VisionZip上可用.

1 引言

2 VisionZip

3 实验

4 分析和讨论

5 相关工作

6 结论