跳转至

StackTok: Accelerating VLMs Inference with Budget-Adaptive Visual Token Selection

复现级别：L1 核心机制诊断。 本地执行单 crop 的 reference-gated selector；未加载五个论文 VLM。

论文信息

字段 内容
论文链接 StackTok: Accelerating VLMs Inference with Budget-Adaptive Visual Token Selection
公司/机构 Sichuan University（按第一作者署名单位）
首次公开日期 2026-09-15（arXiv v1）
原文开源代码 是：https://github.com/wongzbb/StackToK
Adapter / 方法 stacktok
本地复现代码 src/auto_research/foundation_latest_20260916_followup.py

原始论文总结

背景与主要改动

把 query relevance 作为目标、coverage 作为随预算变化的支撑约束，逐步在两种选取准则间切换。

flowchart LR
  I[公开输入与当前状态] --> M[stacktok 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或状态更新]

原论文关键图

StackTok: Accelerating VLMs Inference with Budget-Adaptive Visual Token Selection 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式与实现对应

本地 reference kernel 保留决定性的排序、门控、偏好方向、信用权重或状态转换，并输出可审计统计。三种子 fixture 用来验证不变量和边界，不把随机 mini-suite 分数解释成论文能力。

论文效果

论文中的准确率、速度、训练损失或 benchmark 结论只作为原文结果；本地结果不与其直接横比，也不外推线上收益。

本地复现

三种子结果见 metrics/mechanism-seeds42-44.json。统一 receipt 标记 diagnostic_only=true，不能进入正式能力排名。

复现边界

本地执行单 crop 的 reference-gated selector；未加载五个论文 VLM。