PAA-Bench框架提出评估VLM视觉token剪枝

针对现有视觉语言模型（VLM）剪枝评测依赖聚合准确率与保留 token 数、无法准确反映剪枝质量与实际效率的局限，Geng Li 等人于2026年10月20日在arXiv 提出PAA-Bench 评测框架。 该框架引入 Random-Pass@k 与 PCS 指标，旨在评估剪枝是否通过有意义的 token 选择实现成功，并检验这种成功是否转化为真实的加速效果，为公平比较不同剪枝方法提供了新的帕累托前沿评估工具。 在涵盖8种方法、3个VLM 骨干网络及9个基准的实验验证中，研究结果揭示了一个关键现象：更强的 token 压缩并不必然带来更高的加速收益。此外，方法间的差异在 token 选择起关键作用的示例中显著扩大，且效率排名会随着保留目标的不同而发生变动，从而凸显了现有评测标准的局限性。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。