PARCEL：用于高效视觉语言理解的池化锚定重采样与条件弹性查询

大型视觉语言模型 (LVLMs) 将视觉输入映射为稠密 token 序列，导致推理时的二次计算瓶颈。弹性视觉 token 压缩通过在单个模型上训练即可在多个视觉 token 预算下运行来解决此问题。然而，现有方法在激进压缩下表现不佳。仅进行空间压缩的嵌套池化行为类似于不完美的低通滤波器，导致谱混叠破坏细粒度细节。仅进行查询压缩的嵌套查询重采样用非局部摘要取代显式网格对齐 token，显著降低空间定位性能。为解决这种表征冲突，我们引入 PARCEL（Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding），一种动态划分特征提取职责的视觉 tokenization 架构。PARCEL 将空间池化 token 建立为低频布局锚点，并通过池化条件查询重采样使弹性查询 token 依赖于这些锚点。这鼓励查询 token 专注于互补的视觉特征而非冗余的空间映射。广泛的评估覆盖 27 个基准测试，表明 PARCEL 在性能-效率 Pareto 前沿上持续领先，跨越各种视觉 token 预算均优于现有 matryoshka 基线，同时保持“一次训练，随处部署”的范式。