标签
ReToken引入了一个可学习的检索Token，从预填充的视觉KV缓存中选择与查询相关的稀疏视觉Token，从而提升视觉语言模型在视觉检索任务上的长上下文性能。它在图像和视频基准上均取得了一致的性能提升，同时可在单张H100上实现高效的长视频推理。