GeoGR：压缩3D VLM视觉token并加速推理

研究者提出两阶段框架 GeoGR，用于降低多视角 3D 视觉语言模型的推理成本。投影层的 GeoSemZip 把跨视角观测聚合为 3D voxel token 以构建紧凑场景表示，LLM 层的 GroupRoute 则通过晚进入、早退出与可恢复分组跳过，跳过低相关 token。 作者称，在压缩感知后训练中，他们用原始训练池 30% 的数据构建了 6.7 万样本的紧凑数据集；GeoGR 在 LLaVA-OneVision-7B 和 Video-3D LLM-7B 上分别保留稠密后训练模型 95.2% 和 96.8% 的性能，同时将 LLM 预填充加速 6.8 倍和 6.1 倍。代码已公开。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。