Token Dynamics: Towards Efficient and Dynamic Video Token Representation for Video LLM

在这里插入图片描述

主要内容总结

本文针对视频大语言模型(vLLMs)中token序列过长导致的计算效率问题,提出了Token Dynamics框架。该框架通过动态token聚类和时空信息解耦,将视频表示分解为:

  1. 简洁token库(Token Base):通过聚类相似token(如物体部件)生成紧凑的视觉特征。
  2. 令牌动态图(Token Dynamics Map):记录每个token的时空坐标(帧索引、空间位置),保留运动轨迹。

此外,提出交叉动态注意力机制(Cross-Dynamics Attention),在不增加token长度的情况下将动态信息融入token库。实验表明,该方法将token数量压缩至原始的0.07%,在NextQA-MC基准上仅损失1.13%准确率,同时在多个视频理解任务中保持竞争力。

创新

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值