Read this paper write-up in English
VETO: Video Efficient Token Optimization for Vision Language Models¶
复现级别：L1 核心机制诊断。 执行 GPU 上空间先行、时间后继的双轴压缩；未加载 7B VLM、真实视频 benchmark 或复述论文吞吐为本地结果。
论文信息¶
| 字段 | 内容 |
|---|---|
| 论文链接 | arXiv 2610.01785 |
| 公司/机构 | National Taiwan University（按第一作者署名单位） |
| 首次公开日期 | 2026-10-01（arXiv v1） |
| 原文开源代码 | 否：截至 2026-10-02 未找到原作者公开实现 |
| Adapter | veto |
| 本地复现代码 | src/auto_research/foundation_latest_20261002.py |
原始论文总结¶
背景与主要改动¶
先在帧内合并语义近邻 token，再对压缩后的 frame representation 做跨帧去冗余；空间先行显著降低全局时间匹配成本。
flowchart LR
I[输入/当前状态] --> M[veto 核心机制]
M --> A[可审计中间量]
A --> O[输出/更新状态]原论文关键图¶
原论文关键图：展示论文核心架构、训练流程或系统协议。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\(X'=C_{time}(C_{space}(X))\)；本地用确定性最远点代表验证双轴顺序与预算。
论文离线与线上效果¶
LLaVA-OneVision-7B 推理最高快 45%；10% token 预算下准确率 55.7%。
本地复现¶
本地对照口径：基线为机制关闭或默认状态，实验组为开启对应核心算子；相对百分比不适用。本批指标只验证不变量、梯度或状态转换，不表示论文规模效果。
- 三种子诊断：
metrics/mechanism-seeds42-44.json diagnostic_only=true，不进入正式能力排名。- GPU 验证：
docs/gpu-validations/veto-a100-20261002.json
复现边界¶
执行 GPU 上空间先行、时间后继的双轴压缩；未加载 7B VLM、真实视频 benchmark 或复述论文吞吐为本地结果。