视觉输入并非瓶颈：边缘视觉语言模型的能耗主要由输出解码决定

该论文对五个视觉语言模型、三类架构、四种分辨率及两种硬件进行能耗分析，发现平均功率几乎不随输入变化，输出 token 的解码时间是输入 token 的 11至39倍。图像复杂度造成的能耗差异主要来自输出长度，而非视觉处理；视觉 token 剪枝最多节省约10%，控制输出长度则可节省最高97%。