音视频大模型 Token 压缩架构图
概览
左侧主流程 + 右侧三个打分面板的音视频 token 压缩架构图。这是一张可编辑的 PowerPoint 图，依据 CC BY 4.0 许可改编自论文原图。
图中内容
左侧：查询、视频胶片条和音频波形 → 交错的视频 / 音频 / 文本 token → 压缩模块 → 压缩后 token → 大语言模型。右侧：相关性（文本引导的交叉注意力打分）、重要性（局部时间块内的视频-音频交叉注意力）、多样性（时间感知最大边际相关 MMR），三者经 ⊕ 汇合成最终选择。每个方框、箭头、标签和公式都是原生形状，改配色、改文字、拆开单独用都行，适合组会汇报、开题、论文配图和海报。
文件格式
下载包含：.pptx（1 页，15.52 × 6.88 英寸；PowerPoint、Keynote、WPS、LibreOffice 都能打开；Google Slides 也能用，但复杂自由曲线可能略有偏移）、.svg、.drawio。附原尺寸预览图 preview.png，另有 1200 px 网页预览图。
形状与编辑
237 个原生可编辑形状：125 个自选图形、48 个文本框、31 个自由曲线、33 条线条/连接线。另有 2 张嵌入图片（见下方说明）。可编辑内容：全部文字和公式（Q_T、K_VA、Q_V、K_A、MMR(x_i)、𝒮、𝒲）、每个 token 方块（含带叉的 compressed token）、注意力向量与矩阵、带坐标轴的柱状图、Encode / Compression / Generate 箭头条、虚线弧和紫色路由线。
嵌入图片与字体
有 2 处是嵌入位图：视频胶片条和音频波形。文字统一用 Times New Roman（Windows 和 macOS 自带；LibreOffice 会用等宽度的 Liberation Serif 显示）。𝒩、ℰ、𝒮 这类花体数学字母用 Cambria Math（随 Microsoft Office 安装），其他软件会自动换成数学字体。上下标是真正的上标 / 下标文字格式，不是公式编辑器对象。SVG 里的文字仍是可编辑文字；draw.io 文件是逐个形状转换的，个别位置可能要微调。本文件是忠实重绘，不是作者的原始源文件。
来源与许可 改编自论文 AVOC: Enhancing Hour-Level Audio-Video Understanding in Omni-Modal LLMs via Retrieval-Inspired Token Compression 的图 2，作者 Yijing Chen, Wenhui Tan, Xiaoyi Yu, Yuyue Wang, Xin Cheng, Kaisi Guan, Hao Jiang, Xiangyang Li, Guojie Zhu, Ruihua Song（arXiv:2606.24286，https://arxiv.org/abs/2606.24286；代码：https://github.com/YJCX330/AVOC）。原图采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。由 叫我Alonzo就好了/alonzolab 重绘为可编辑形状并做了修改。本商品与原作者无关，也未获原作者认可。公开发布或分享这张图时，需要注明原论文出处；准确的署名文字在每个下载包里的 LICENSE-ATTRIBUTION.txt 中。