1.提出问题？

90 分钟视频 ≈ 5400 万 token，而 LLM 上下文一般只有 128K；视觉 token 占总序列 80% 以上，其中超一半注意力极小，是纯浪费。

2.解决问题？

按机制分四大类 ——Transformation（pixel unshuffle / 池化 / 插值 / 卷积，无参数，一般压到 25%）、Similarity-based（合并相似 token）、Attention-based（剪掉低注意力 token）、Query-based（Q-Former 等可学习查询，压缩率 95%+）。

3.成果

首次统一对比四类方法的性能 - 效率权衡：无参方法零开销但压缩率固定，可学习方法压缩率高但要额外训练。后续研究直接按这张地图选方案。

4.启发

性能 - 效率的 trade-off 是可以量化的贡献点：不要只报压缩率，要报 "压到 X% 时任务性能掉多少、推理快多少"。

无参方法（pixel unshuffle / 池化）零开销但压缩率固定，可学习方法（Q-Former）压缩率高但要训练 —— 选型要看你的场景缺算力还是缺精度。