Visual SSL / representation · P3 · 2026-06-03

InfoMerge：它和通用视觉自监督的关系在于：训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算

中相关；详见方法、贡献和实验边界。

InfoMerge: Information-aware Token Compression for Efficient Video Large Language Models　arXiv　原文链接

编号2606.02161 优先级P3 类别Visual SSL / representation 会议arXiv 方法训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算。中相关；详见方法、贡献和实验边界。

**Figureure 2 · : Overview of the proposed InfoMerge method.**Figure 2: Overview of the proposed InfoMerge method.这张图概括 InfoMerge 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**(b) Second-order temporaltemporal consistency consistency**(b) Second-order temporaltemporal consistency consistency. (c) Qualitative comparison between FastVID and ours. Figure 1: Qualitative analysis of token selection. (a) Prior methods rely on local similarity between tokens at the same spatial position in adjacent frames. (b) We further model second-order temporal consistency across frames. (c) Compared with FastVID, our method retains more informative tokens related to the flying roof object, leading to the correct answer.这张图/表用于判断 InfoMerge 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。

核心问题

它和通用视觉自监督的关系在于：训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算。

方法拆解

训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算

主要贡献

中相关；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。