🍎个人主页：小嗷犬的个人主页
🍊个人网站：小嗷犬的技术小站
🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。
基本信息
标题: VisionZip: Longer is Better but Not Necessary in Vision Language Models
作者: Senqiao Yang, Yukang Chen, Zhuotao Tian, Chengyao Wang, Jingyao Li, Bei Yu, Jiaya Jia
arXiv: https://arxiv.org/abs/2412.04467
摘要
近期视觉-语言模型在性能上的提升是通过增加视觉token的长度实现的，这使得它们比文本token长得多，并显著提高了计算成本。
然而，我们发现流行的视觉编码器（如CLIP和SigLIP）生成的视觉token存在大量冗余。
为了解决这个问题，我们提出了VisionZip，这是一种简单而有效的方法，它选择一组信息token作为语言模型的输入，减少视觉token的冗余，提高效率，同时保持模型性能。
所提出的VisionZip可以广泛应用于图像和视频理解任务，非常适合现实场景中的多轮对话，其中先前的方法往往表现不佳。
实验结果表明，VisionZip在几乎所有设置中至少比先前最先进的方法提高了5%的性能。
此外，我们的方法显著提高了模型推理速度，将预填充时间提高了8倍，并使LLaVA-Next 13B模型在达到更好结果的同时，推理速度超过了LLaVA-Next 7B模型。
此外，我们分析了这种冗余的原因，并鼓励社区关注提取更好的视觉特征，而不仅仅是增加token长度。
我们的代码可在https://github.com/dvlab-research/VisionZip上找到。
VisionZip
Redundancy Observation
在流行的视觉语言模型如LLaVA和MiniGemini中，视觉token的数量远超过文本token，消耗了大量的计算资源。为了评估这些token是否都是必要的，我们对常用视觉编码器CLIP和SigLIP生成的视觉token进行了试点研究。
具体来说，我们随机抽取了一幅图像，并可视化了视觉编码器-2层的每个token的注意力，该层是大多数VLM（如LLaVA）获取输入视觉token所选用的层。
如图2所示，CLIP和SigLIP都表现出注意力集中在少数几个token上的模式，而大多数视觉token则受到极少的关注。
此外，为了证明仅关注少数token是一种正常现象，我们分析了TextVQA验证集上注意力权重的分布。
如图2所示，大多数视觉token受到的关注非常低，权重接近于零，而只有少数token具有更高的注意力权重。
基于这一观察，我们发现大多数注意力权重低的视觉token贡献的信息很少，并增加了大量的冗余。
只有少数视觉token聚集了大量的信息，值得集中关注；我们将这些称为主导视觉token。
因此，为了减少冗余，我们专注于选择最具信息量的token——例如主导视觉token——同时丢弃信息量较少的token，以减少整体token数量。
Informative Visual Token Zip
Dominant Token Selection
Contextual Tokens Merging
Efficient Tuning
信息视觉token压缩器从视觉编码器中提取高度信息化的token，并丢弃其他token，从而显著减少了输入到LLM的token长度，可能减少到十倍。
然而，这种视觉token的减少可能导致一定程度的不匹配，因为原本在所有完整视觉token上训练的VLM模型可能难以适应这种突然的减少。
为了弥合视觉和LLM空间之间的差距，我们使用最小指令微调数据来高效微调多模态投影仪，同时保持其他组件冻结，增强视觉和语言空间之间的对齐。
值得注意的是，指令微调只需要LLaVA-1.5数据集的1/10，并且可以在8个Nvidia A800上仅用30分钟完成LLaVA 1.5 7B，此过程也可以在3090 GPU上实施，既资源高效又有效。
Usage of VisionZip
VisionZip能够适应多种任务，不仅适用于视觉语言模型中的图像和视频理解，还能处理之前高效视觉语言模型无法处理的多次对话。
VisionZip易于实现，因为它与文本无关，使得它可以与所有现有的语言模型算法兼容以加速。
VisionZip可以被视为视觉编码器的即插即用方法，在节省3倍运行时间和内存的同时，保留了超过90%的原模型性能。
它甚至可以使一个130亿的视觉语言模型比一个70亿的视觉语言模型更高效，同时保持更优越的性能。
实验
总结
在这篇论文中，我们分析了流行的视觉语言模型，指出虽然增加视觉token的长度可以提高性能，但当前视觉token存在显著的冗余。
我们提出了一种简单的方法，即VisionZip，该方法在保持模型性能的同时，显著减少了视觉token的数量，从而大大提高了计算效率。
这种方法广泛应用于图像和视频理解任务，并适用于实际应用中的多轮对话。
VisionZip还指出了未来一个发展方向，即开发具有更低冗余能力的视觉编码器，以进一步提高视觉语言模型性能并处理更长的视频序列。
