图像、视频、音频多模态大模型中长上下文token压缩方法综述

多模态大模型MLLMs 能够处理高分辨率图像、长视频序列和冗长音频输入等复杂上下文，但自注意力机制的二次复杂度使得大量输入 token 带来了巨大的计算和内存需求。

如下图，上：图像、视频和音频数据类型可以在其表示维度上进行扩展，从

而导致 token 数量的相应增加。下：表现最佳的多模态大模型无法满足
现实世界的需求，因为多模态输入（尤其是视频）的 token 数量远远超
过文本，并且大多数视觉 token 是冗余的 。

因此 token 压缩对于解决这一限制至关重要。

一些概念

1、多模态结构

MLLMs通常框架由三个组件构成：

• 特定模态编码器（(g)）：负责处理图像、音频等原始输入，将高维数据压缩为紧凑的语义嵌入序列（如图像通过视觉编码器转化为视觉token，音频通过音频编码器转化为音频token）。常用的视觉编码器包括CLIP、SigLIP等，音频编码器包括Whisper、Audio-CLIP等。
• 投影器（连接器）模块（(P)）：将编码器输出的嵌入映射到与语言模型（LLM）文本嵌入相同的潜在空间，使多模态数据能与文本指令融合。
• 大语言模型（LLM）：接收投影后的多模态嵌入与文本提示嵌入的拼接序列，通过自回归解码生成响应。

2、大模型的token压缩

MLLMs的核心通常基于文本大型语言模型（LLMs）微调而来，因此文本LLMs的token压缩技术（常称为"prompt压缩"）是重要基础。这些技术旨在处理长文本上下文（如整本书、代码库），方法包括：

• 自编码器与摘要压缩：如AutoCompressor将上下文压缩为摘要向量，SentenceVAE用单个token表示句子。
• 选择性修剪：如Selective Context通过自信息度量移除低信息token，LLMLingua系列通过层级修剪和语义密度排序减少token。
• 查询引导过滤：如QUITO利用注意力分数筛选与查询相关的token，AdaComp根据查询复杂度动态提取关键信息。
• 概念蒸馏与递归框架：如Concept Distillation通过抽象意义表示（AMR）图提炼核心概念，RCC通过递归融合生成分段摘要。

然而，文本压缩技术难以直接应用于MLLMs，因为多模态数据（图像、视频、音频）存在独特的冗余模式（如空间相关性、时空连续性），需要专门的压缩策略。

3、视觉Transformer的token压缩

视觉Transformer（ViTs）的token压缩技术为MLLMs的视觉token压缩提供了借鉴，其核心是解决图像的空间冗余（如相邻patch的相似性、前景与背景的语义不平衡）：

• 动态修剪：如DynamicViT、EViT通过注意力分数量化token相关性，修剪低显著性token。
• token合并与学习：如ToMe通过相似性度量合并语义相近的token，TokenLearner通过学习的空间注意力生成紧凑token集。
• 蒸馏与跨模态过滤：如DeiT用轻量级"学生头"从压缩token子集预测标签，MADTP利用跨模态对齐过滤token。

与MLLMs的差异：MLLMs不仅包含视觉token，还需处理文本token和更长的序列，因此其token压缩面临更复杂的挑战，但ViTs的技术思路（如注意力引导修剪、相似性合并）更具参考价值。

下面来看下具体的token压缩方法。

多模态token压缩方法

1、 以图像为中心的Token压缩

总结：

图像中心的 token 压缩方法针对空间冗余，从变换、相似性、注意力、查询四个维度提出解决方案：

• 变换方法通过下采样直接减少 token 数量，适合保留空间结构；
• 相似性方法合并语义重复 token，适合去除冗余；
• 注意力方法动态筛选高重要性 token，可解释性强；
• 查询方法聚焦任务相关信息，适合交互式场景。

下面具体看看。

1.1 基于Transformer的图像中心压缩

这类方法通过对图像特征进行空间变换（如下采样）来减少token数量，核心是利用图像的空间结构特性，在保留关键信息的同时降低维度。主要包括以下四类操作：

• 像素重排（Pixel Unshuffle）

  像素重排是像素洗牌（Pixel Shuffle）的逆操作，将高分辨率、低通道的特征图转换为低分辨率、高通道的特征图，从而减少token数量：
  H×W×D→Hr×Wr×(D⋅r2) H \times W \times D \to \frac{H}{r} \times \frac{W}{r} \times (D \cdot r^2) H×W×D→rH×rW×(D⋅r2)

  其中，H、WH、WH、W 为特征图的高和宽，DDD 为通道数，rrr 为下采样率。

  代表性工作：InternVL系列、Qwen2系列、NVLM等，通过像素重排将视觉编码器生成的token数量减少为原来的1/4，再通过MLP对齐视觉与文本的维度。

  优势：无额外参数，不增加模型权重。

• 空间池化/插值

  直接对token进行二维下采样，不改变通道维度，数学表达式为：
  H×W×D→HS×WS×D H \times W \times D \to \frac{H}{S} \times \frac{W}{S} \times D H×W×D→SH×SW×D

  其中，SSS 为下采样因子。

  代表性工作 ：LLaVA-OneVision采用双线性插值，LLaVA-Video使用平均池化，M3M^3M3 通过池化学习多粒度表示，在推理时用更少token保持性能。

  优势：可无训练实现，直接作用于对齐后的token维度。

• 空间卷积（Spatial Convolution）

  通过卷积操作学习局部信息抽象，同时降低空间维度，数学表达式为：
  H×W×Din→HS×WS×Dout H \times W \times D_{in} \to \frac{H}{S} \times \frac{W}{S} \times D_{out} H×W×Din→SH×SW×Dout

  其中，SSS 为步长（下采样因子），Din、DoutD_{in}、D_{out}Din、Dout 为输入/输出通道数。
  代表性工作：Honeybee的C-Abstractor模块用卷积提取压缩信息，MobileVLM的LDP模块通过深度卷积减少75%的token。

  优势：通过可学习权重捕捉更复杂的局部特征。

对比总结：

• 像素重排、池化、插值均为无参数操作，不增加权重开销；卷积引入可学习参数，能更精细地抽象局部信息。
• 像素重排会改变通道维度，需后续MLP对齐文本维度；池化和插值可直接作用于对齐后的维度，无需额外处理。
• 压缩率通常有限（常见为25%），受限于二维下采样的特性。

1.2、基于相似性的图像中心压缩

这类方法通过度量token在隐空间中的相似性（如距离或相似度），合并相似token，保留代表性的"簇中心"token，从而减少冗余。核心思路是通过聚类或匹配算法识别语义相近的token，将其合并为单个代表性token，降低序列长度。

代表性工作：

• ToMe：在ViT的注意力和MLP模块间插入token合并模块，通过二分软匹配合并相似token。
• FOLDER：在视觉编码器的最后一个注意力块中插入合并模块，减少传入LLM的token。
• DivPrune：将压缩问题转化为"最大-最小多样性"问题，筛选内部差异最大的token子集。
• TopV：在LLM层中综合特征的相似性和距离函数，直接在多模态表示空间中压缩token。

优势：能有效去除语义重复的token，保留关键信息。

局限性：过度合并可能丢失细粒度信息；聚类算法的复杂度可能引入额外计算开销。

1.3、基于注意力的图像中心压缩

这类方法利用注意力机制的稀疏性，通过注意力分数筛选高重要性token，修剪低关注度token，分为编码器内和解码器内两种策略。

• 编码器内注意力（Attention in Encoder）

  基于视觉Transformer（ViT）的注意力分数，在视觉编码器内部筛选关键token，减少传入LLM的数量。通常通过视觉token与[CLS] token的注意力分数选择top-K token：
  Tencoder=TopKk({Attention(vi,vcls)∣vi∈V}) \mathcal{T}_{\text{encoder}} = \text{TopK}k\left(\left\{\text{Attention}(v_i, v{cls}) \mid v_i \in \mathcal{V}\right\}\right) Tencoder=TopKk({Attention(vi,vcls)∣vi∈V})

  其中，V\mathcal{V}V 为原始视觉token集，vclsv_{cls}vcls 为[CLS] token。
  代表性工作：

  • PruMerge：基于[CLS]注意力选择簇中心，通过KNN合并低关注度token。
  • VisionZip：保留高注意力token，聚类合并剩余token。
  • VisPruner：先保留高注意力token，再通过多轮相似度修剪重复token，保留多样性。

• 解码器内注意力（Attention in Decoder）

  利用LLM解码器的注意力分数，在视觉token与文本token的联合空间中筛选关键token。通过计算视觉token从所有其他token（视觉+文本）获得的平均注意力分数选择top-K token：
  A‾(vi)=1∣S∣∑sj∈SAttention(vi,sj),Tdecoder=TopKk({A‾(vi)∣vi∈V}) \overline{A}(v_i) = \frac{1}{|\mathcal{S}|} \sum_{s_j \in \mathcal{S}} \text{Attention}(v_i, s_j), \quad \mathcal{T}_{\text{decoder}} = \text{TopK}_k\left(\left\{\overline{A}(v_i) \mid v_i \in \mathcal{V}\right\}\right) A(vi)=∣S∣1sj∈S∑Attention(vi,sj),Tdecoder=TopKk({A(vi)∣vi∈V})

  其中，S\mathcal{S}S 为当前层注意力窗口中的所有token。
  代表性工作：

  • FastV：在第二层后基于注意力分数修剪50%的视觉token，保持性能。
  • ZipVL：通过解码器注意力动态压缩token，平衡效率与精度。
  • SparseVLM：结合编码器和解码器注意力，筛选与文本相关的视觉token。

优势：基于注意力的动态筛选能自适应保留任务相关token， interpretability（可解释性）强。

局限性：需显式计算注意力分数，与优化加速库（如FlashAttention）不兼容，可能引入额外计算开销。

1.4 基于查询的图像中心压缩

这类方法利用文本查询（prompt）引导视觉token压缩，分为token蒸馏 和跨模态选择两类，聚焦于保留与查询相关的信息。

• Token Distillation（token蒸馏）

  将视觉token蒸馏为少量与文本相关的token，同时实现模态对齐。
  代表性工作：

  • Q-Former系列：通过可学习查询和交叉注意力提取与文本相关的视觉线索，压缩为固定数量token。
  • LLaMA-VID：用文本查询聚合视觉嵌入中的文本相关线索，将整幅图像表示为2个token。
  • LLaVA-Mini：将视觉信息预融合到文本token中，仅需1个视觉token即可保持性能。
  • Victor：引入少量可学习"寄存器token"，通过大模型浅层将视觉信息蒸馏到寄存器中，丢弃原始视觉token。

• Cross-Modal Selection（跨模态选择）

  利用模态间的对齐关系，通过一种模态的token筛选另一种模态的关键token。
  代表性工作：

  • SparseVLM：用视觉token预筛选相关文本token，缩小文本搜索空间。
  • AdaFV：结合文本-图像相似度和视觉显著性，选择语义对齐且视觉突出的token。
  • TRIM：先通过文本-视觉相似度识别"离群token"（视为重要），再聚类合并剩余token。

优势：压缩后的token与查询高度相关，适合任务驱动场景（如视觉问答）。

局限性：依赖文本查询的质量；多轮对话中需重新计算压缩，可能增加开销。

2、以视频为中心的Token压缩

视频数据因包含空间和时间维度的双重信息，其token数量远超静态图像（如90分钟视频可生成5400万token），成为多模态大型语言模型（MLLMs）处理的主要瓶颈。视频中心的token压缩需同时解决空间冗余 （同帧内相邻区域的相似性）和时间冗余（连续帧间的重复性），该部分按底层机制分为四类方法，因为视频的每一帧是图像，因此图像部分和前面是一样的，重点看下针对时间维度的优化策略。

总结：

视频中心的token压缩需同时应对空间和时间冗余，核心策略包括：

• 变换方法通过时空池化/卷积直接减少token，适合保留全局结构；
• 相似性方法通过帧聚类合并时间冗余，效率高但需避免丢失动态信息；
• 注意力方法动态筛选关键token，可解释性强但受限于加速库兼容问题；
• 查询方法聚焦任务相关帧，适合交互式场景。

2.1、基于Transformer的视频中心压缩

这类方法延续图像压缩中的变换思路，结合视频的时间维度特性，通过池化或卷积操作减少token数量，核心是在空间压缩基础上增加时间维度下采样。

• 2D/3D池化（2D/3D Pooling）

  • 空间池化：对单帧图像进行下采样（如LLaVA-Video用平均池化减少单帧token），但对长视频效果有限。
  • 时间池化 ：针对视频帧序列进行下采样，降低帧率以减少时间维度的token。例如：
    • PLLaVA、Video-ChatGPT、LongVLM等采用 temporal pooling（时间池化），实验表明模型性能对时间池化更敏感。
    • LLaMA-VID对单图像保留原始分辨率，对视频帧则压缩为单个token，大幅减少数据量。
  • 混合策略：SlowFast-LLaVA-1.5采用双路径架构------"慢路径"采样少量高分辨率帧，"快路径"采样更多低分辨率帧，拼接后输入LLM，在减少token的同时保留时空细节。

• 2D/3D卷积（2D/3D Convolution）

  与池化的简单聚合不同，卷积通过学习滤波器捕捉时空特征并压缩维度。例如： VideoLLaMA 2对比2D和3D卷积后发现，3D卷积能更好地学习复杂的时空关系，在性能和效率间取得平衡。

特点：

• 空间变换（池化/卷积）与图像压缩方法类似，时间变换是视频特有的优化。
• 需平衡帧率/分辨率与信息保留（如24 FPS是捕捉完整动作的最低帧率，但实际常采用1 FPS采样）。

2.2、基于相似性的视频中心压缩

针对视频的时间冗余（相邻帧高度相似），通过聚类或相似度匹配合并冗余帧或token，优先压缩时间维度。核心思路主要包括：

1. 对视频帧进行聚类（基于帧级表示的相似度），合并非关键帧；
2. 在聚类后的帧内进一步合并空间冗余token，最终保留"时空紧凑表示"。

• 代表性工作 ：
  • Chat-UniVi：先将每帧池化为单个帧级token，再用DPC-KNN（基于K近邻的密度峰值聚类）合并相似帧，最后在簇内对多帧token二次聚类，得到时空紧凑表示。
  • PruneVid：与Chat-UniVi类似，但先合并时间上静态的token（如静止背景），再进行时空token合并，减少冗余。
  • HoliTom：将时间冗余压缩视为优化问题，最大化聚类帧内的可压缩冗余特征，更全面地处理时间维度冗余。
  • FrameFusion：针对流式视频，在模型浅层直接合并超过相似度阈值的时间冗余token，适合实时处理。

优势：通过聚类针对性减少时间冗余，压缩效率高于单纯空间压缩。

局限性：过度合并可能丢失关键动态信息（如快速动作帧）。

2.3、基于注意力的视频中心压缩

利用注意力机制的稀疏性筛选重要token，与图像压缩思路类似，但需结合视频的时序特性。

• 编码器内注意力

  将视频视为独立帧的序列输入图像编码器，通过帧内注意力分数筛选高重要性空间token（如PruMerge、VisionZip）。但此类方法忽略帧间关系，本质仍是"图像级压缩"的扩展。

• 解码器内注意力

  在LLM解码器中处理帧序列的拼接token，通过跨帧注意力捕捉时间关联，并筛选关键时空token。例如：

  • FastV、ZipVL等延续图像解码器的注意力筛选策略，计算视频token与文本查询的交叉注意力，保留高相关token。
  • 对长视频采用窗口注意力（windowed attention），仅关注局部时间窗口内的帧，降低计算复杂度。

2.4、基于查询的视频中心压缩

以文本查询为引导，筛选与任务相关的关键帧或token，减少无关时序信息的冗余。

• token蒸馏

  通过专用适配器模块（如Q-former、Token Turing Machines）将长视频token蒸馏为少量紧凑表示：

  • Token Turing Machines（TTMs）：维护外部"摘要token内存"，通过Transformer的读写机制逐帧压缩输入token与内存，支持长视频的高效处理。
  • BLIP-3-Video：用时间编码器将数百帧的视觉token抽象为16--32个时空token，平衡效率与信息保留。
  • LinVT：通过线性视频tokenizer，结合时空评分和文本条件聚合，将帧级token压缩为紧凑视频token，使图像LLM可直接处理视频。

• 跨模态选择

  基于查询与视频帧的相关性动态调整压缩率，保留关键帧的更多信息：LongVU：计算每帧与查询的相关性分数，对高相关帧采用低压缩率（保留更多token），低相关帧采用高压缩率，确保总token数在模型上下文窗口内。

优势：聚焦查询相关的时空信息，适合视频问答、行为识别等任务。

局限性：依赖查询质量，对无明确任务的场景（如视频摘要）适用性有限。

3、以音频为中心的Token压缩

音频数据作为多模态输入的重要组成部分，其token数量随采样率和时长增加而显著增长，给MLLMs的高效处理带来挑战。音频信号本质是时间维度上的振幅变化（1D信号），通常通过频谱图（如梅尔频谱图）转换为类图像的2D表示，以便复用视觉处理技术。音频中心的token压缩需解决时间冗余 （如长静音段）和频谱冗余（如特定频率的重复信号），该部分也分为四类方法。

3.1、基于Transformer的音频中心压缩

这类方法通过下采样操作直接减少音频token数量，借鉴图像压缩中的变换思路，针对音频的时间或频谱维度进行压缩。

• token堆叠

  类似图像的"像素重排"操作，将连续的多个音频token沿隐藏维度堆叠，减少总token数。例如：

  • HTS-AT最早将梅尔频谱图的2D特征通过像素重排减少音频token；
  • SLAM-ASR、LLaMA-Omni等采用该技术，通过堆叠调整隐藏维度后，需用MLP对齐其他模态的维度。

• Pooling（池化）

  直接对音频序列进行时间维度下采样，无额外参数。例如：

  • Qwen2-audio、Qwen2.5-Omni使用步长为2的池化层，直接缩短音频表示长度；
  • Llama-MTSK采用"套娃式（matryoshka）"训练，通过多尺度平均池化或堆叠，实现推理时动态调整token数量，平衡压缩率与性能。

• 时间卷积

  用1D卷积在时间维度上压缩token，同时调整隐藏维度以适配后续LLM。例如： SpeechVerse、Baichuan-Audio等采用该技术，下采样后音频表示的有效采样率通常为12.5 Hz，在减少token的同时保留关键时序特征。

特点：Transformer的方法均通过降低时间或频谱维度减少token，其中池化和堆叠为无参数操作，卷积通过学习权重捕捉更复杂的局部特征。

3.2、基于相似性的音频中心压缩

通过度量音频token的相似度，合并冗余token，保留独特信息。核心思路类似视觉领域的ToMe方法，在音频Transformer的层间插入token合并模块，合并高相似度的相邻token（如通过余弦相似度度量）。

• 代表性工作 ： A-ToMe：在多头自注意力（MHSA）和前馈网络（FFN）之间插入模块，合并余弦相似度高的相邻音频token，减少冗余。

优势：针对性去除时间或频谱上的重复信息，适合处理包含长静音或固定背景噪声的音频。

局限性：过度合并可能丢失短时关键信号（如突发声音）。

3.3、基于注意力的音频中心压缩

利用注意力机制的稀疏性，通过注意力分数筛选高重要性token，修剪低关注度token。

• 编码器内注意力

  在音频Transformer块中，基于自注意力分数保留top-K token。例如： Top-K：直接保留音频频谱图Transformer中注意力分数最高的K个token，聚焦关键频谱特征。

• 解码器内注意力

  在LLM解码器中，基于音频token与文本token的交叉注意力分数筛选关键token。例如：SpeechPrune：利用LLM第一层的注意力分数，在处理早期修剪低重要性音频token，减少后续计算量。

优势 ：动态适配音频内容的重要性，保留与任务相关的关键信号（如语音中的关键词）。
局限性：需显式计算注意力分数，与优化加速库（如FlashAttention）兼容性差，可能增加额外开销。

3.4、基于查询的音频中心压缩

以文本查询或其他模态信息为引导，压缩与任务无关的音频token，分为token蒸馏 和跨模态选择两类。

• token蒸馏

  用可学习查询token提取音频的关键信息，压缩为固定长度的紧凑表示。例如：

  • Video-LLaMA、SALMONN系列：通过音频Q-former将变长音频输入转换为固定长度的可学习查询序列，供LLM处理；
  • MMCE-Qformer：结合全局声学上下文（通过可学习查询提取）和局部文本相关声学特征（通过文本引导的交叉注意力），蒸馏出紧凑的音频表示；
  • MMS-LLaMA：先通过"早期音视频融合模块"减半序列长度，再用AV Q-Former进一步压缩为固定数量的查询token，捕捉完整语音上下文。

• 跨模态选择

  利用音频与其他模态（如文本）的相关性筛选关键token。例如：SpeechPrune：计算音频-文本的余弦相似度矩阵，基于跨模态相关性修剪无关音频token，保留语义重要的片段。

优势 ：压缩后的token与查询高度相关，适合语音识别、音频问答等任务。
局限性：依赖查询质量，对无明确任务的场景（如音频摘要）适用性有限。

总结：音频中心的token压缩针对时间和频谱冗余，核心策略包括：

• 变换方法通过堆叠、池化或卷积直接减少token，适合保留全局时序结构；
• 相似性方法合并高相似度token，有效去除重复信号；
• 注意力方法动态筛选关键token，可解释性强但受限于加速库兼容性；
• 查询方法聚焦任务相关音频信息，适合交互式场景。

参考文献：When Tokens Talk Too Much: A Survey of Multimodal Long-Context Token Compression across Images, Videos, and Audios,https://arxiv.org/pdf/2507.20198