视频大模型 Token 预算分配与选择架构图

概览

面向视频大模型、无需训练的视觉 token 选择三面板架构图。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

(a) 总流程：t−2、t−1、t 三帧 → 视觉编码器与投影层 → 每帧 token 网格 → token 选择模块（时间新颖度引导的预算分配给出每帧预算 {k_t}，再做互补 token 选择）→ 保留后的 token 网格 → VideoLLM → 问题 / 答案。(b) 时间新颖度引导的预算分配：去偏帧 x̂ = (I − v₁v₁ᵀ)(x − x̄) + x̄、AvgPool、与历史帧同位置格子的残差 r_{t,n}、帧级新颖度 R_t、Gini 系数映射到 α 以及预算公式 k̃_t。(c) 互补 token 选择：局部代表性分数 u_{t,n}（均值 / AvgPool 邻域 + softplus）、子空间互补性分数 v_{t,n}（向 span(Q_{t−1}) 正交基投影）、相加得到 g_{t,n}、top-k_t 选择，以及 Q_t 的 QR 更新。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，13.30 × 7.54 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

342 个原生可编辑形状：230 个自选图形、58 个文本框、1 个自由曲线、53 条线条/连接线。另有 3 张嵌入图片（见下方说明）。可编辑内容：全部文字和公式（x̂ = (I − v₁v₁ᵀ)(x − x̄) + x̄、带投影范数的 r_{t,n}、R_t = Σ_n r_{t,n}、k̃_t 预算分式、u_{t,n}、v_{t,n}、g_{t,n}、Q_t = [Q_{t−1}, ΔQ_t]、ℋ_{t,n}、𝒯_t）、每个 token 格子和帧网格、叠放的去偏帧、柱状图、倾斜的子空间平面和投影向量、a / b / c 面板标号、虚线面板和所有箭头。

嵌入图片与字体

有 3 处是嵌入位图：t−2、t−1、t 三张示例视频帧缩略图，分辨率与原图相同，大幅打印时建议换成自己的图片。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。