arXiv replacement/update + ICML 2026 accepted + visual token reduction · P1 · 2026-06-19

Improving Visual Token Reduction via：它和通用视觉自监督的关系在于：校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项

中高相关；详见方法、贡献和实验边界。

Improving Visual Token Reduction via Rectifying Distortions for Efficient Multimodal LLM Inference　arXiv replacement/update + ICML 2026 accepted + visual token reduction　原文链接

编号2606.01711 优先级P1 类别arXiv replacement/update + ICML 2026 accepted + visual token reduction 会议arXiv replacement/update + ICML 2026 accepted + visual token reduction 方法校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项。中高相关；详见方法、贡献和实验边界。

**(a) Visual-to-visual attention**(a) Visual-to-visual attention. (b) Text-to-visual attention. Figure 2. Comparison of average attention proportions assigned to visual tokens within the LLM (a) when the query is a visual token and (b) when the query is a text token.这张图/表用于判断 Improving Visual Token Reduction via 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 3 · Visualizations of the long-term decay $\mathcal { D } ( | m - n | )$ (**Figure 3. Visualizations of the long-term decay $\mathcal { D } ( | m - n | )$ (blue) and our calibration term (orange). The calibration term increases with relative distance to counteract the long-term decay.这张可视化用来解释 Improving Visual Token Reduction via 学到的中间表征或对齐关系。重点看它是否支持正文里的机制判断。

核心问题

它和通用视觉自监督的关系在于：校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项。

方法拆解

校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。