ET-Prune：用于文本丰富的 MLLM 中视觉词元修剪的证据感知动态预算

视觉标记修剪降低了多模态 大语言模型 的推理成本，但固定标记比率与丰富文本输入的匹配性较差。在以 OCR 为中心的任务中，决定性证据可以是少量数字、标签或字段，其相关性由问题指定；不加区别的修剪可以消除这些证据，同时保留视觉上显着但不相关的区域。我们提出了 ET-Prune，一个 无需训练 框架，它将剪枝作为证据分配。它从解码器端部分查询密钥块中导出问题条件证据，保护类似文本的空间区域，并将证据不确定性和密度转换为特定于样本的词元层。然后，三个渐进的中间层事件将序列朝着这个预算移动，为分散的或文本密集的证据保留更多的标记，并更积极地修剪集中的证据。在每个配置的一次确定性传递的观察点估计中，ET-Prune 在所有六个主干基准比较中领先或并列于修剪方法中，大约有一半的标记。在 OCRBench-v2 上，它在 Qwen3-VL-8B 和 InternVL3.5-8B 上分别领先最强的修剪基线 1.80 和 0.68 个百分点，同时保留了大约一半的视觉标记；在 MMBench v1.1 上，它达到了 0.8467 的圆形精确匹配精度，而 Vanilla 为 0.8437，平均视觉标记保留率为 54.45%。这些结果表明，在文本丰富的多模态推理中，证据感知动态预算具有良好的观察到的质量成本权衡。