1. 引言

图像token压缩方法可以分为四个类别，分别是：

• 基于变换的方法：变换视觉token的长、宽、维度，来压缩token；
• 基于相似性的方法：通过利用token间内在相似性，去重或分组，来压缩token；
• 基于注意力的方法：利用多模态数据中attention的稀疏性，去掉低激活token，来指导压缩；
• 基于查询的方法：在prompt的指导下选择最相关的token。

方法的总结、优劣详见下图：

2. 基于变换的压缩方法

该方法变换视觉token的长、宽、维度，将token压缩成更紧密的形式。

2.1. pixel unshuffle

该操作将分辨率高、维度低的特征图转换为分辨率低、维度高的特征图。token数量和分辨率相关，因此该操作能有效减少token数量。

最近的工作如InternVL2[1]利用pixel unshuffle来减少视觉token数量。随后，使用MLP来对齐视觉向量维度与大模型输入向量维度，解决维度不匹配问题。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

2.2. 空间池化/插值

与pixel unshuffle不同，池化和插值直接对特征图进行2D降采样，不改变向量维度。

LLaVA-OneVision[2]采用双线性插值对视觉token进行2D降采样。

2.3. 空间卷积

卷积操作提供了一种比池化/插值更复杂的压缩方法，通过学习局部信息来减少空间维度。

MobileVLM[3]利用了深度可分离卷积，视觉token降低75%。

2.4. 变换方法的比较分析

基于变换的压缩方法有效地利用所有图像信息，同时保留2D特征的空间局部信息。pixel unshuffle、池化和插值本质上是无参数的，对训练推理效率影响不大。相比之下，空间卷积更复杂，会引入可训练的权重。

另一个显著的区别在于如何处理特征维度：pixel unshuffle改变特征维度，需要额外接MLP来对齐LLM输入维度。相反，其他方法不会改变特征维度。

基于变换的压缩方法的压缩率不高，一般只有25%。

3. 基于相似性的压缩方法

基于相似性的压缩方法通过识别和合并相似token来减少视觉token的数量。

在多模态大模型时代，FOLDER在视觉编码器的最后一个注意力块中插入FOLDER模块，实现“删多少token”、“删哪些token”、“如何做token合并”，减少了传递给LLM解码器的token数量。

4. 基于注意力的压缩方法

基于注意力的压缩方法利用视觉特征的固有稀疏性来指导token剪枝。注意力分数低的token对计算结果影响小，可以被移除。

在视觉语言模型中，视觉编码器和LLM都包含transformer，因此基于注意力的压缩方法能用在视觉编码器和LLM中。

4.1. 视觉编码器中的注意力

将视觉token送入LLM之前，根据单个图像中的注意力分数来动态选择token。

根据视觉token相对于[CLS]token的注意力分数，来选择需要保留的token：

Prumerge[4]在编码器中基于 [CLS] 注意力选择视觉token的聚类中心。它使用KNN聚类和加权聚类中心更新机制来合并其余注意力较低的token。

4.2. LLM解码器中的注意力

与编码器中的注意力压缩不同，解码器中的方法侧重于利用LLMs的注意力来指导token压缩。

LLM解码器注意力考虑了LLM的本文token和视觉token，因此能更全面的进行上下文感知的token剪枝。

这种方法允许模型根据注意力分数来确定每一层的压缩比率，模型可以更细粒度、自适应得调整视觉token。

FastV[5]发现在多模态大模型中，存在视觉token的注意力分数极低的问题。在LLaVA-v1.5中，视觉token在第二层之后仅获得系统prompt的0.21%的注意力。因此，在第二层之后根据注意力分数剪枝50%的视觉token，对整体性能影响不大。

4.3. 解码器中剪枝的关键挑战

解码器中剪枝需要频繁访问LLM内部的注意力分数，往往和高度优化的加速库，例如Flash-Attention不兼容。可能存在视觉token压缩了，但加速库加速效果变差，最终效率抵消的情况。

5. 基于查询的压缩方法

视觉信息通常包含大量与给定query无关的特征。基于查询的压缩方法利用query prompt来指导视觉token的压缩。

这些方法可以大致分为两种类型：(1) token蒸馏：将视觉token蒸馏成数量更少的token。(2) 跨模态选择：匹配模态对齐的视觉和文本token来压缩。

5.1. token蒸馏

token蒸馏源于多模态大模型的早期projector设计。其目标是通过蒸馏视觉令牌来学习最具文本相关性的视觉表示，从而减少视觉令牌的数量，同时实现模态对齐。

Q-Former[6]系列是一种开创性方法，使用可学习query和交叉注意力从视觉特征中提取相关的视觉表示。

5.2. 跨模态选择

跨模态选择旨在通过利用另一模态的对齐token来减少一个模态中的token数量。这种压缩通过识别并保留跨模态中最相关的信息来实现，从而实现更高效和更有效的处理。

SparseVLM[7]使用视觉令牌来预选相关文本令牌。通过将视觉模态作为初始过滤器，SparseVLM 高效地缩小了文本搜索空间，专注于与视觉内容相关的信息。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！