How Many Visual Tokens Do Multimodal Language Models Need? Scaling Visual Token Pruning with F^3A

En 3 lignesF³A est un routeur sans entraînement pour l'élagage des tokens visuels dans les modèles vision-langage. Il sélectionne les tokens visuels pertinents via des indices conditionnés par la question, sans passe LLM supplémentaire, réduisant les coûts d'inférence tout en préservant la performance.

Résumé généré par Claude — vérifié par l'humain