子集选择

CoIn：面向高效大型多模态模型的覆盖度与信息量引导词元削减

CoIn: Coverage and Informativeness-Guided Token Reduction for Efficient Large Multimodal Models

把视觉词元裁剪建模为「信息量 + 覆盖度」的联合最优子集选择，用基于体积的覆盖度准则保证特征空间全局代表性，且与 kernel 级推理加速器兼容——做 LMM 推理加速或多模态 token 压缩时可直接替换 importance-only 或 pairwise 去冗余的选 token 策略。