使用全局密码本重新思考视频词元压缩：学习一次，到处压缩

视频 大语言模型 (Video-LLM) 将视频表示为密集的视觉标记序列，其长度随着输入的时间和空间范围而增长。这些标记通常包含由于重复的视觉模式而产生的大量冗余，导致后续语言模型处理中不必要的计算。现有的词元压缩方法（包括修剪和合并）在推理过程中在线执行压缩，对每个输入视频反复进行额外的计算，并且通常依赖于限制其通用性的特定于模型的设计，我们通过将昂贵的压缩过程转移到离线状态来重新思考这种范例。我们提出了 \textbf{ONCE}，一个插件视频词元压缩框架，它引入了离线到在线范例：在视觉特征空间中学习一次频率感知的全局码本，并通过码本查找和聚合重用于轻量级在线压缩，减少每个视频的重复计算和特定于模型的压缩设计的需要。跨多个视频理解基准和针对不同压缩基准的广泛实验表明，我们的方法实现了强大的准确性与效率权衡，在保持竞争性能的同时实现了比较方法中最低的推理延迟。