Paper 1

• 题目: INFERENCE OPTIMAL VLMS NEED ONLY ONE VISUAL TOKEN BUT LARGER MODELS
• 作者团队: Kevin Y. Li, Sachin Goyal, João D. Semedo, J. Zico Kolter （CMU）
• 链接: https://arxiv.org/abs/2411.03312

1. 论文试图解决什么问题？是否是一个新问题？
论文试图解决VLMs推理阶段的性能和计算成本之间的权衡问题，提出推理计算最优的scaling law。提出的极限视觉token压缩和scaling optimization是全新的视角。

2. 有哪些相关研究？如何归类？有哪些值得关注的研究员（大牛）？

• 相关研究分类：
  1. 视觉token压缩：文中提到了TokenPacker和Matryoshka等（孟帆学长的组会讲得更全）。
  2. 推理优化：关注scaling law的研究，如Kaplan等人关于LLM的scaling law。
• 值得关注的研究员：
  • J. Zico Kolter（本论文作者）

3. 论文提到的解决方案的关键是什么（创新点）？

• 创新点：
  1. 提出推理优化的scaling law，量化视觉token数量和LLM规模的最佳组合。
  2. 首次揭示极限视觉token压缩（如1或4个token）的推理最优配置。
  3. 提出基于用户查询的卷积交叉注意力方法（QueCC）(这个好像就是把TokenPacker的Query换成了text的)，支持极限token压缩。

4. 论文中的实验如何设计？

• 实验设计：
  1. scaling law验证：使用不同大小的LLM（0.5B到14B）和不同视觉token数量（1到576），拟合标度曲线并预测性能。
  2. 算法比较：QueCC与现有方法（如TokenPacker、Matryoshka等）在多个任务中的性能对比。
  3. 任务场景扩展：分析OCR任务和视觉推理任务中的推理最优配置。

5. 代码是否开源？
是，https://github.com/locuslab/llava-token-compression

6. 用于训练和定量评估的数据集分别是什么？

• 训练数据集：LLaVA-Next的。
• 评估数据集：
  1. 视觉推理：GQA, MMBench, MME, ScienceQA等。
  2. OCR任务：TextVQA, DocVQA等。

7. 论文中的实验和结果有没有很好地支持待验证的假设？
实验很好地支持了假设：

• 标度定律的拟合误差低于2%，证明推理最优配置的可预测性。
• QueCC在极限token压缩（1或4个）下显著优于其他方法，支持论文对极限压缩的主张。

8. 在你看来这篇论文还有哪些不足？

• 对于OCR等text recognition任务覆盖不足，没有深入讨论高信息密度场景的优化策略。
• 提出的定律可能依赖特定模型和任务，泛化性需要进一步验证。

9. 下一步有什么工作可以深入？

• 针对OCR等高信息密度任务的自适应压缩算法。
• 验证该定律对其他多模态任务（如视频理解）的适用性。
• 如何结合更复杂的用户查询和多模态上下文，优化极限压缩场景下的性能。

Paper 2

• 题目: LLaVolta: Efficient Multi-modal Models via Stage-wise Visual Context Compression
• 作者团队: Jieneng Chen, Luoxin Ye, Ju He, Zhao-Yang Wang, Daniel Khashabi†, Alan Yuille†
• 链接: https://arxiv.org/abs/2406.20092

1. 论文试图解决什么问题？是否是一个新问题？
视觉token冗余问题。现在看来貌似也没那么新了:(

2. 有哪些相关研究？如何归类？有哪些值得关注的研究员（大牛）？

1. 视觉token冗余优化：略~
2. 高效LLM训练：动态token压缩（如Pyramid Transformer）和逐步扩展模型训练深度/宽度的方法。

3. 论文提到的解决方案的关键是什么（创新点）？

• 视觉上下文压缩器（VCC）：
  • 使用平均池化（average pooling）减少视觉token数量，在保证性能的同时降低计算成本。
• LLaVolta多阶段训练方案：
  • 提出逐步减少压缩率的三阶段训练方法，兼顾训练效率和信息保留。
• 新发现：
  • 证明视觉token存在显著冗余，即使减少70%的视觉token，模型性能也仅略微下降。

4. 论文中的实验如何设计？

• 冗余验证实验：
  • 在预训练模型中，通过逐步减少视觉token数量（如70%），验证对性能的影响。
• 多模态基准测试：
  • 在13个数据集（如GQA、MM-Vet、TextVQA）上测试模型性能和训练效率。
• 对比实验：
  • 与其他压缩方法（如K均值聚类、注意力方法）比较。
• 扩展实验：
  • 在视频多模态任务中验证LLaVolta的扩展性。

5. 代码是否开源？
是，GitHub Repository

6. 用于训练和定量评估的数据集分别是什么？

• 训练数据集：LLaVA-1.5的
• 评估数据集：
  1. 图像任务：GQA、VQA-v2、MMBench
  2. 文本识别：TextVQA
  3. 视频任务：MSVD-QA、ActivityNet-QA等

7. 论文中的实验和结果有没有很好地支持待验证的假设？
是。实验充分验证了视觉token的冗余性，LLaVolta的多阶段压缩训练显著减少了训练时间（16%）且性能提升，在9个基准测试中表现最佳，验证了其理论假设的有效性。

8. 在你看来这篇论文还有哪些不足？

• 对于高信息密度任务（如OCR）的压缩方法探讨不足。
• 多阶段训练方案可能在更大规模模型或超长序列上面临扩展性问题？
• 缺乏对动态自适应压缩机制的探索。

9. 下一步有什么工作可以深入？

• 开发适应高信息密度任务的压缩算法。
• 自适应视觉token压缩率，根据图像内容动态调整。