返回全部题目← 上一题60 / 81下一题 →题库/模型基础与推理/Q-5678视觉 Token 剪枝与合并如何利用文本相关性和模型阶段选择保留信息？知识专题：推理优化与模型压缩题目类型：原理机制技术难度：进阶收录题集：4 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集4 份多模态与计算机视觉阿东玩 AI · AgentGuide · 1 条原题查看题集 →【视频帧冗余处理】视频文本检索(Video-Text Retrieval)中，如何解决视频帧冗余导致的计算浪费？ 「腾讯」自然语言处理Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →多模态模型如何压缩视觉 token 以提升效率？爱奇艺高频面试题Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →多模态图像Token冗余过多解决方案；图像Token长度限制实现方式多模态前沿技术Rocky Ding · AIGC-Interview-Book · 7 条原题查看题集 →MRAG的视觉token压缩技术（如LLaVolta的渐进压缩、MustDrop的生命周期重要性评估）如何解决MLLMs输入长度限制？比较这些方法与传统裁剪（Truncation）的ROUGE-L指标差异。Dynamic-LLaVA的动态注意力机制如何实现计算稀疏化？其掩码生成策略如何平衡效率与精度？现有视觉剪枝方法主要分为哪两类？各自的具体实现和局限性是什么？展开其余 4 条原题VScan的两阶段视觉 token 缩减框架具体如何实现？各阶段的核心策略是什么？视觉编码器在处理视觉信息时呈现出怎样的层级规律？这些规律对视觉剪枝有何指导意义？为什么语言模型的中间层是进行视觉 token 剪枝的最佳阶段？相关实证研究有哪些关键发现？VScan 在效率提升和性能保留方面有哪些具体表现？与其他方法相比有何优势？相关题目4 题0274Decoder-only 的 KV Cache 为什么缓存 K、V 而通常不缓存 Q？同一知识专题题目类型：原理机制技术难度：进阶相关面经：2 篇0277FlashAttention 为什么能节省显存并提速，是否改变注意力结果？同一知识专题题目类型：原理机制技术难度：进阶相关面经：2 篇0502有哪些大模型推理加速技术？同一知识专题题目类型：方案设计技术难度：进阶相关面经：3 篇0503模型剪枝、GPTQ 与 AWQ 量化方法。同一知识专题题目类型：比较选型技术难度：进阶相关面经：3 篇♥♥♥♥♥← 上一题已到最后一题← 上一题CUDA Graph 如何降低推理提交开销，对形状和显存有什么要求？下一题 →通道级混合精度量化如何按显著性分配位宽？
