以全局码本重思视频 Token 压缩：一次学习，处处压缩
原标题:Rethinking Video Token Compression with a Global Codebook: Learning Once, Compressing Everywhere
AI 导读
论文提出即插即用的视频 Token 压缩框架 ONCE，将高成本压缩从逐视频在线处理转移到离线阶段：先在视觉特征空间学习频率感知的全局码本，再通过码本查找与聚合完成轻量在线压缩。摘要称其在多项视频理解基准上保持有竞争力的性能，并在所比较方法中取得最低推理延迟，但未提供具体数值。
为什么值得读
视频长上下文成本正成为 Video-LLM 落地瓶颈，ONCE 的离线全局码本思路直接针对在线压缩的重复开销，但仍需完整实验数据验证。
深度解读
1. 发生了什么
原始事实： 论文提出 ONCE，一种面向 Video-LLM 的即插即用视频 Token 压缩框架。其核心变化是把较重的压缩学习过程放到离线阶段，并让不同输入视频复用同一个全局码本。
2. 核心技术
原始事实： ONCE 在视觉特征空间中离线学习一个频率感知的全局码本；在线推理时，通过码本查找和 Token 聚合完成压缩。作者将其描述为“offline-to-online”范式，目标是减少剪枝、合并等方法对每段视频重复执行压缩计算的开销，并降低对特定模型结构的依赖。
分析： 这一方案可理解为用预先学习的视觉原型对重复特征进行量化与汇聚。其实际效果会受到码本覆盖范围、特征分布漂移以及聚合规则的影响。
3. 关键证据与数字
原始事实： 摘要称实验覆盖多个视频理解基准，并与多种压缩基线比较；ONCE 保持了有竞争力的任务性能，同时取得所比较方法中的最低推理延迟。
信息缺口： 所给摘要没有列出具体基准、Video-LLM 名称、准确率、Token 压缩率、延迟、吞吐量、码本规模、训练成本或硬件配置，因此无法量化其优势，也无法判断离线学习成本需要多少推理请求才能摊销。
4. 为什么重要
分析： Video-LLM 的视觉 Token 数量会随时间和空间分辨率增长，后续语言模型计算通常因此变贵。如果一个与输入无关的码本能跨视频乃至跨模型复用，压缩模块可能从持续的在线计算负担变成可摊销的离线资产。
5. 实际影响
分析： 对视频问答、长视频检索和流式分析系统而言，该方法可能降低端到端延迟，并简化向现有模型加入 Token 压缩的过程。工程评估应同时测量任务质量、压缩率、码本查找成本、显存占用、离线训练成本及跨数据域迁移表现。
6. 局限与不确定性
原始事实： 摘要仅声称具有较强的准确率与效率权衡，没有披露具体结果。
未验证推断： “全局”码本是否能稳定适配不同视觉编码器、视频领域和分辨率尚不明确；低频但任务关键的事件也可能在频率感知压缩中被削弱。此外，arXiv 编号 2608.01271 与发布日期 2026-08-02 均为未来日期，当前无法据所给材料独立核验论文正文、作者、版本记录或代码。
7. 原始来源
- arXiv 摘要页：https://arxiv.org/abs/2608.01271
- 本条分析仅依据用户提供的标题、摘要、URL 与发布日期，未引入未核验的实验数据或附加引用。