视觉词元采样

GroundVTS：多模态大语言模型中的视觉词元采样用于视频时序定位

GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding

提出查询引导的视觉词元采样机制，在输入LLM前过滤冗余视觉词元，可复用于其他视频-语言任务（如视频问答、时刻检索）以提升时序建模效率。