视频编解码引导的免训练 token 压缩方法用于视频大语言模型

提出一种面向视频大语言模型（VLLM）的视频编解码引导免训练 token 压缩方法，利用压缩视频中已有的编码信息作为低成本搜索先验，对齐参考帧依赖、运动向量与残差，减少特征比较次数且不修改基础 VLLM。在三个代表性 VLLM 和四个视频理解基准上，性能与 SOTA 免训练基线 FlashVID 相当、部分设置更优。实验表明编解码信息可改善视频 token 压缩的精度—复杂度权衡。