第12篇：多模态大模型论文VISIONTRIM: UNIFIED VISION TOKEN COMPRESSIONFOR TRAINING-FREE MLLM ACCELERATION

第一部分：基本信息

• 论文标题：VISIONTRIM: UNIFIED VISION TOKEN COMPRESSION FOR TRAINING-FREE MLLM ACCELERATION
• 投稿会议：ICLR 2026（正处于双盲评审阶段）
• 核心目标：解决 MLLM 因视觉令牌过多导致的高计算成本问题，实现无额外训练的推理加速，同时保持甚至提升任务性能。

第二部分：解决的问题

（1）问题背景

• 多模态大模型（MLLM）里，视觉 token 特别多，尤其是高分辨率图像和视频，多到：

  • 计算复杂度高（注意力是 O(n2)O(n^2)O(n2)）

  • KV cache 巨大、推理很慢

• 以 LLaVA 系列、Video-LLaVA 为代