QViD：基于查询-视觉交互分解的无训练视觉 token 剪枝方法

QViD 是一种无训练、查询感知的视觉 token 剪枝方法，利用 Transformer 注意力中查询-键投影隐含的查询-视觉交互矩阵的低秩结构，识别主导潜在交互模式以指导 token 选择。 在图像和视频理解基准测试中，QViD 在相同 token 预算下一致提升性能，且在激进压缩场景下收益最大。 该论文已被 NeurIPS 2026 接收。