**AdaCodec：面向视频多模态大模型的预测式视觉编码**

_AdaCodec: A Predictive Visual Code for Video MLLMs_

> AdaCodec 是一种针对视频多模态大模型的预测式视觉编码方法。它利用视频帧间的时间冗余，仅在场景无法从历史上下文良好预测时才发送完整参考帧，否则传输紧凑的帧间变化描述（P-tokens）。在相同视觉 token 预算下，AdaCodec 相比 Qwen3-VL-8B 逐帧 RGB 编码在所有基准上均有提升；在 1/7 预算下，32k tokens 的 AdaCodec 在长视频基准上超过 224k tokens 的基线，并将首次 token 生成时间从 9.26 秒大幅降至 1.62 秒。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.02569)