arXiv new; VLM visual token self-compression · P0 · 2026-07-16

VisCo：它和通用视觉自监督的关系在于：复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真

高相关；详见方法、贡献和实验边界。

VisCo: Leveraging Large Language Models as Intrinsic Encoders for Visual Token Compression　arXiv new; VLM visual token self-compression　原文链接

编号2607.12756 优先级P0 类别arXiv new; VLM visual token self-compression 会议arXiv new; VLM visual token self-compression 方法复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真。高相关；详见方法、贡献和实验边界。

**Figureure 1 · : Comparison of SparseVLM and our method on Qwen2-VL-7B with only 9 re**Figure 1: Comparison of SparseVLM and our method on Qwen2-VL-7B with only 9 retained visual tokens. The top two figures show the tokens preserved by SparseVLM for two diferent questions. The bottom figures show the top 100 tokens receiving the highest attention from the memory tokens in our method.这张图/表用于判断 VisCo 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 · : Illustration of the VisCo framework**Figure 3: Illustration of the VisCo framework. During the encoding phase, hierarchical KV values corresponding to memory tokens are stored in a memory bank; during the decoding phase, these KV values are retrieved and hierarchically populated into the KV cache.这张图概括 VisCo 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。

核心问题

它和通用视觉自监督的关系在于：复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真。

方法拆解

复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真

主要贡献

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。