论文页面 - PARCEL：基于池锚定重采样与条件弹性查询的高效视觉-语言理解

来源：https://huggingface.co/papers/2605.30126

摘要

PARCEL 是一种视觉-语言模型架构，能够动态分配特征提取任务，从而在不同视觉令牌预算下提升效率与性能。

大型视觉-语言模型（LVLMs）将视觉输入映射为密集的令牌序列，导致推理时产生二次计算瓶颈。弹性视觉令牌压缩（https://huggingface.co/papers?q=Elastic%20visual-token%20compression）通过训练单一模型以支持多种视觉令牌预算（https://huggingface.co/papers?q=visual-token%20budgets）来解决这一问题。然而，现有方法在高度压缩下表现不佳。仅空间压缩（https://huggingface.co/papers?q=Spatial-only%20compression）（例如嵌套池化（https://huggingface.co/papers?q=nested%20pooling））表现得像一个不完美的低通滤波器，并引起频谱混叠，从而掩盖了精细细节。仅查询压缩（https://huggingface.co/papers?q=Query-only%20compression）（例如嵌套查询重采样（https://huggingface.co/papers?q=nested%20query%20resampling））则用非局部摘要替换了显式的网格对齐令牌，严重降低了空间定位能力。为解决这种表征冲突，我们提出了 PARCEL（Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding），一种视觉令牌化架构（https://huggingface.co/papers?q=visual%20tokenization%20architecture），它能够动态分配特征提取（https://huggingface.co/papers?q=feature%20extraction）的工作。PARCEL 将空间池令牌作为低频布局锚点，并通过池条件查询重采样（https://huggingface.co/papers?q=Pool-Conditioned%20Query%20Resampling）使弹性查询令牌以这些锚点为条件。这鼓励查询令牌专注于互补的视觉特征，而非冗余的空间映射。在 27 个基准上的广泛评估表明，PARCEL 改进了性能-效率帕累托前沿，在多个视觉令牌预算（https://huggingface.co/papers?q=visual-token%20budgets）下始终优于现有的嵌套基线，同时保留了“一次训练，随处部署”的范式。

查看 arXiv 页面 (https://arxiv.org/abs/2605.30126)
查看 PDF (https://arxiv.org/pdf/2605.30126)
项目页面 (https://parcel-elastic-inference.github.io/)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.30126)

在你的智能体中获取此论文：

hf papers read 2605.30126

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.30126 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.30126 以从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.30126 以从此页面链接。

包含此论文的收藏集1