Unified Spatio-Temporal Token Scoring for Efficient Video VLMs

O STTS é um módulo leve que otimiza modelos de visão-linguagem para vídeo ao podar 50% dos tokens visuais tanto no ViT quanto no LLM, sem necessidade de condicionamento textual. A técnica alcança 62% de melhoria em eficiência computacional com apenas 0,7% de queda no desempenho em 13 tarefas de perguntas e respostas sobre vídeos.