在 sVLM 中轻量级注意力机制的核心目标不是简单把模型做小而是减少多模态推理中最贵的部分1. 视觉 token 太多 2. 图像 token 进入 LLM 后参与自注意力 3. 自注意力复杂度随序列长度近似 O(N²) 4. 小模型虽然参数少但视觉 token 会显著拉高 latency / 显存 / KV cache标准 Transformer self-attention 在长序列下具有二次复杂度FlashAttention 这类方法通过 IO-aware tiling 减少 GPU HBM 与 SRAM 之间的数据搬运从而提高注意力计算效率但它本质上仍是在优化已有注意力计算而不是减少 token 数量。([arXiv][1])1. sVLM 中注意力计算瓶颈在哪里典型 sVLM 结构Image │ ▼ Vision Encoder │ ▼ Projector / Connector / Pre-Fusion Adapter │ ▼ Small LLM │ ▼ Answer真正的计算压力通常来自两部分视觉编码器内部 attention 视觉 token 进入 LLM 后的 decoder self-attention例如 LLaVA / MiniGPT-4 / MobileVLM 类模型会把图像转换为一组视觉 token再经过 projector 输入 LLM。PruMerge 这类工作指出Transformer 架构导致计算成本随输入 token 增长而显著增加而视觉 token 中存在大量空间冗余因此可以通过 token reduction 降低大多模态模型的计算和显存成本。([arXiv][2])2. 轻量级注意力机制在 sVLM 中的主要类型2.1 Visual Token Pruning视觉 token 剪枝这是当前 sVLM / LVLM 加速中最直接、最有效的一类方法。核心思想不是让所有视觉 token 都进入 LLM 而是根据重要性只保留关键 token。流程Image → Vision Encoder → Visual Tokens │ ▼ Importance Scoring │ ▼ Keep Top-K Tokens │ ▼ Projector → LLM常见重要性评分方式1. CLS token 对 patch token 的 attention 2. 文本 prompt 对视觉 token 的 cross-attention 3. 视觉 token 与邻近 token 的相似度 4. token saliency / gradient / activation 5. 任务相关区域例如 ROI、OCR、bbox、maskATP-LLaVA 是一个典型例子它从 token 冗余和空间建模角度做 adaptive token pruning报告平均 token 数减少 75%在 7 个 benchmark 上仅有约 1.9% 性能下降。([CVF Open Access][3])适合 sVLM 的原因小 LLM 上下文短 视觉 token 会挤占 prompt 和回答上下文 端侧显存有限 decoder self-attention 对 token 数敏感2.2 Visual Token Merging视觉 token 合并剪枝是“删除 token”合并是“把相似 token 聚合”。token_i token_j token_k → merged_token例如货架图像里同一排背景、相邻空白区域、重复包装区域会产生很多相似视觉 token。与其全部保留不如合并成少量代表 token。PruMerge 就属于 adaptive prune merge 思路先识别重要 token再对冗余 token 做合并从而减少视觉 token 数量同时尽量保持模型性能。([arXiv][4])对自动售货柜场景很有价值背景 token → 合并 货架边缘 token → 保留少量结构 token 商品主体 token → 保留 OCR 区域 token → 强制保留 遮挡区域 token → 保留2.3 Query-Based Attention固定查询压缩这类方法不让 LLM 直接吃全部视觉 patch而是用少量 learnable query 从视觉特征中抽取信息。结构Visual Tokens: N 个 Learnable Query: K 个K N Query attends to Visual Tokens │ ▼ K 个压缩后的视觉 token │ ▼ Small LLM伪代码classQueryCompressor(nn.Module):def__init__(self,dim,num_queries32,num_heads4):super().__init__()self.queriesnn.Parameter(torch.randn(1,num_queries,dim))self.attnnn.MultiheadAttention(dim,num_heads,batch_firstTrue)self.normnn.LayerNorm(dim)defforward(self,visual_tokens):bvisual_tokens.size(0)qself.queries.expand(b,-1,-1)out,_self.attn(q,visual_tokens,visual_tokens)returnself.norm(qout)优点视觉 token 数固定 LLM 输入长度可控 适合端侧部署 适合 image caption / VQA / SKU确认缺点如果 query 数太少小目标和 OCR 容易丢 需要训练 projector / query adapter2.4 Prompt-Aware Attention问题感知视觉筛选这类机制特别适合 sVLM因为小模型不能盲目看整张图。例如问题是“第二层左侧有几瓶可乐”就不应该平均关注整张图而应该重点关注第二层 左侧区域 瓶装商品 红色包装 OCR: Coca Cola / 可口可乐结构Prompt Tokens │ ▼ Text Query │ ▼ Cross-Attention over Visual Tokens │ ▼ Task-Relevant Visual Tokens │ ▼ Small LLM公式A softmax(Q_text · K_visual^T / sqrt(d)) V_selected TopK(A · V_visual)这种方式本质上是用文本问题指导视觉 token 选择。相比普通 token pruning它更适合 VQA、OCR 问答、区域计数、货柜验货等任务。2.5 Local / Window Attention局部窗口注意力对于视觉编码器可以不做全局 attention而是在局部窗口内计算 attention全局注意力: N 个 token 两两交互 → O(N²) 窗口注意力: 每个窗口内交互 → O(W² × num_windows)适合商品局部纹理 包装边缘 小目标 局部 OCR 区域 货架层级局部结构缺点是全局关系较弱所以通常需要配合少量 global token 跨窗口 pooling 层级结构 token ROI token对自动售货柜而言可以这样设计局部窗口 attention 负责商品细节 global shelf token 负责货架结构 ROI token 负责目标区域语义2.6 Linear Attention / Additive Attention标准 attention 复杂度近似O(N²D)线性注意力希望变成O(ND²) 或 O(ND)在移动视觉 Transformer 中Mobile-Attention 明确面向移动端线性复杂度注意力设计并强调通过小 per-head dimension 改善移动端效率SwiftFormer 的 additive attention 则尝试避免昂贵的矩阵乘法注意力用更轻量的方式建模全局上下文。([Proceedings of Machine Learning Research][5])对 sVLM 的使用位置主要在1. 轻量视觉 encoder 2. pre-fusion adapter 3. ROI token mixer 4. 小型 query compressor不建议一开始直接改 LLM 主干 attention因为会影响已有权重兼容性和部署生态。3. sVLM 中最推荐的轻量注意力组合对小模型来说最佳路线通常不是单独使用某一种 attention而是组合视觉侧 token reduction 轻量 pre-fusion attention LLM 侧高效 attention kernel / KV cache推荐结构Image │ ▼ Light Vision Encoder │ ▼ Visual Token Pruning / Merging │ ▼ Prompt-Aware Cross Attention │ ▼ Query Compressor / ROI Compressor │ ▼ Projector │ ▼ Small LLM KV Cache FlashAttentionMobileVLM 这类端侧 VLM 使用 1.4B / 2.7B 级语言模型、CLIP 风格视觉模型和 efficient projector说明 sVLM 的效率优化并不只靠缩小 LLM也依赖视觉编码器、跨模态连接器和训练策略的协同设计。([GitHub][6])4. 几种机制的对比机制主要作用计算收益风险适合 sVLM 程度Token Pruning删除不重要视觉 token高小目标/OCR 可能丢失很高Token Merging合并相似视觉 token高细粒度差异可能被抹平很高Query Compressor固定数量 query 抽取图像信息高query 太少会漏细节很高Prompt-Aware Attention根据问题选择视觉区域中高依赖 prompt 质量很高Window Attention降低视觉 encoder 计算量中高全局关系弱高Linear Attention降低 attention 复杂度中高精度和兼容性需验证中高FlashAttention优化 attention kernel中高需要硬件/框架支持高GQA / MQA降低 KV cache 成本中需要 LLM 架构支持高8. 工程落地优先级对 Jetson / RK3588 / Qualcomm / MNN / QNN 这类边缘部署建议优先级如下第一优先级: 视觉 token pruning / merging 第二优先级: ROI-aware token selection 第三优先级: prompt-aware cross attention 第四优先级: query compressor把视觉 token 固定压缩到 32 / 64 / 96 第五优先级: FlashAttention / xFormers / TensorRT attention plugin 第六优先级: 改 LLM 主干为 GQA / MQA / linear attention原因是改 token 数量 → 收益最大模型兼容性最好 改 projector / adapter → 风险中等适合训练 改 LLM attention 主干 → 风险最大部署成本最高9. 最推荐的 sVLM 轻量注意力架构┌─────────────────────┐ │ Image │ └──────────┬──────────┘ ▼ ┌─────────────────────┐ │ Light Vision Encoder │ └──────────┬──────────┘ ▼ ┌─────────────────────┐ │ Visual Tokens │ └──────────┬──────────┘ ▼ ┌────────────────────────────────────┐ │ ROI-aware Token Pruning / Merging │ │ - bbox token keep │ │ - mask token keep │ │ - OCR token keep │ │ - background token prune │ └──────────┬─────────────────────────┘ ▼ ┌────────────────────────────────────┐ │ Prompt-aware Lightweight Attention │ │ Text query attends to visual tokens │ └──────────┬─────────────────────────┘ ▼ ┌────────────────────────────────────┐ │ Query Compressor / Projector │ │ N visual tokens → K fused tokens │ └──────────┬─────────────────────────┘ ▼ ┌────────────────────────────────────┐ │ Small LLM KV Cache │ └──────────┬─────────────────────────┘ ▼ Structured Answer10. 小结sVLM 的轻量级注意力机制可以总结为一句话不要让小 LLM 处理所有视觉 token而是在进入 LLM 前用轻量 attention、token pruning、token merging、query compression 和 ROI-aware selection把视觉信息压缩成少量高价值 token。参考链接:[1]: https://arxiv.org/abs/2205.14135?utm_sourcechatgpt.com “FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness”[2]: https://arxiv.org/abs/2403.15388?utm_sourcechatgpt.com “[2403.15388] LLaVA-PruMerge: Adaptive Token Reduction …”[3]: https://openaccess.thecvf.com/content/CVPR2025/papers/Ye_ATP-LLaVA_Adaptive_Token_Pruning_for_Large_Vision_Language_Models_CVPR_2025_paper.pdf?utm_sourcechatgpt.com “ATP-LLaVA: Adaptive Token Pruning for Large Vision …”[4]: https://arxiv.org/html/2403.15388v6?utm_sourcechatgpt.com “LLaVA-PruMerge: Adaptive Token Reduction for Efficient …”[5]: https://proceedings.mlr.press/v235/yao24c.html?utm_sourcechatgpt.com “Mobile-Friendly Linear-Attention for Vision Transformers”[6]: https://github.com/Meituan-AutoML/MobileVLM?utm_sourcechatgpt.com “MobileVLM: Vision Language Model for Mobile Devices”[7]: https://openaccess.thecvf.com/content/CVPR2025/papers/Yang_TopV_Compatible_Token_Pruning_with_Inference_Time_Optimization_for_Fast_CVPR_2025_paper.pdf?utm_sourcechatgpt.com “Compatible Token Pruning with Inference Time Optimization …”