长时间的视觉上下文给视觉语言模型带来了挑战：性能会随着干扰源数量的增加而下降，并且在GPU内存限制下，一次处理所有令牌在计算上是不可行的。我们提出ReToken ，这是一种单一可学习嵌入，被训练为显式检索目标，从预填充的可视KV缓存中选择一组稀疏的查询相关可视令牌。T

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.28627v1)获取最准确的信息。

---
🔗 **原文链接**: [ReToken: One Token to Improve Vision-Language Models for Vis](https://arxiv.org/abs/2607.28627v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Yao Xiao, Reuben Tan, Zhen Zhu, Yuqun Wu, Jianfeng Gao, Derek Hoiem

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
多模态正在逼近实用门槛。如果你想做产品级落地，这篇文章值得读。
Benchmark看多了容易麻木——跑分好不一定产品好用。这篇文章好在对分差有分析，不只是贴数据。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-31 14:01