只留5%视觉token仍保住91.6%性能:Glance-ETD先低分辨率扫视,再按问题证据选token
多模态大模型处理高分辨率图像时,视觉token占满预填充开销,而极端压缩下此前的裁剪只缩短语言模型输入,视觉编码器仍要看过每个图像块。Glance-ETD用一个约190万参数的问题条件打分器同时驱动两步:先以四分之一分辨率扫视,只把与问题相关的25%区域按原分辨率重编码;再用证据调节的多样性规则挑选最终token。在Qwen3.5-4B上只保留5%视觉token,它在14个基准上保留全token性能的91.6%,比此前最强的LT-OPD高17.3个百分点,4K图像首token时间快3.1倍。