OmniSelect 免训练多模态 token 压缩框架

2026年10月15日，arXiv Computer Vision 刊出 Morunliu Yang 等作者的论文，提出 OmniSelect——一个免训练、模态自适应的 token 剪枝框架，用于全模态大语言模型的高效推理。据该报道，OmniSelect 借助轻量 AudioCLIP 估计跨模态相关性，将输入划分为 Audio-Centric、Video-Centric 和 Uniform 三种剪枝模式，并在各时间组内细粒度分配剪枝比例。作者称该方法无需任何额外训练即可实现高效多模态 token 压缩，同时保持强劲性能。报道还称该工作已被 NeurIPS 2026 主赛道接收。目前该事件仅有这一篇主报道，尚无跟进报道，因此关于压缩效果、性能对比及接收情况的具体说法均来自该论文自述，未获独立来源证实。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。