**PARCEL: 用于高效视觉语言理解的池化锚定重采样与条件弹性查询**

_PARCEL: Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding_

> 大型视觉语言模型将视觉输入映射为密集的token序列，导致推理的计算复杂度呈二次增长。弹性视觉token压缩通过训练一个可在多种视觉token预算下运行的单一模型来解决此问题，但现有方法在激进压缩下表现挣扎。PARCEL 提出了一种视觉token化架构，动态分配特征提取任务：建立空间池化token作为低频布局锚点，并通过池化条件查询重采样使弹性查询token以这些锚点为条件，鼓励查询token专注于互补的视觉特征而非冗余的空间映射。在27个基准测试上的广泛评估表明，PARCEL 改进了性能-效率的帕累托前沿，在不同视觉token预算下始终优于现有嵌套基线，同时保持了“一次训练，随处部署”的范式。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30126)