**δ-Vision：利用轻量级MLP高效重构多模态模型视觉状态**

_Just MLPs: Efficient Visual State Reconstruction for Multimodal Language Models_

> 针对多模态大模型中视觉Token序列带来的高计算开销，研究提出δ-Vision方法。该方法发现视觉影响集中于低维子空间，且层间视觉状态具有强可预测性。通过用轻量级低秩适配器（MLP）替代Transformer对视觉Token的重复演化，δ-Vision在保留所有视觉Token的同时，实现了比剪枝基线更高的准确率和更具竞争力的推理效率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.34972)