三类视觉Token分配，能直接解决高压缩时序碎片化 | ECCV‘26

长视频理解，正在成为多模态大模型的重要能力。

用户开始不再只问“视频里有什么”，而是希望模型能进一步回答：这个事件从什么时候开始？到什么时候结束？这类任务被称为视频时序定位（Video Temporal Grounding, VTG）。

但视频越长，visual tokens越多，推理成本也越高。

一个直接思路是：剪掉一部分视觉token。

SemVID正是围绕这个问题展开。它的核心观点是：相比传统针对VideoQA的剪枝，VTG剪枝不是简单删掉“不重要画面”，而是要保住一条支撑时间定位的evidence chain。该工作已被ECCV 2026会议录用。

VideoQA剪枝和VTG剪枝，根本目标不同

以往很多token pruning方法主要服务于VideoQA。VideoQA的目标通常是回答“视频里有什么”“人物在做什么”“物体是什么颜色”。这类问题往往只需要少数关键帧展示相关画面就可能答对。

但VTG的目标完全不同。VTG要定位“什么时候开始、什么时候结束”。模型不仅要看到query相关对象，还要看到动作前后的状态变化。

比如查询是“一个人从柜子里拿出包”，模型不仅要看到“人”“柜子”“包”，还要看到动作发生前后的状态变化：手什么时候伸向柜子，包什么时候被拿出。

如果剪枝方法只保留几个最显著或最相关的画面，模型可能知道事件确实出现过，却无法判断准确边界。

换句话说，VideoQA剪枝回答的是：哪些画面够回答问题？VTG剪枝真正要回答的是：哪些证据能支撑时间定位？

这就是SemVID与既有方法的根本差异。

SemVID的核心动机：保住Evidence Chain

下图展示了SemVID的核心motivation，即VTG需要的不只是局部证据，而是一条跨帧连接的证据链。

在VTG中，事件往往不是由最显著的某几帧决定的，而是由一系列状态变化共同定义的。

事件边界附近的token负责告诉模型“变化从这里开始和结束”，而中间的relay token负责连接前后状态。

一旦这些中间节点被剪掉，证据链就会断裂。模型可能仍然看到若干高相关画面，却无法显式地将这些画面关联起来，组成连续推理路径。

结果就是：语义理解还在，时间定位变差。

因此，SemVID提出两个面向VTG的剪枝目标，意于组成支撑定位的证据链：

• Evidence Retention：保留与query语义高度相关的token，尤其是事件边界附近的关键证据。
• Connectivity Strength：保留跨帧连接，让证据能沿时间传播，而不是变成孤立碎片。

方法：从语义角度分离每个token在视频中的角色

围绕证据链，SemVID设计了一个training-free token pruning框架。它不需要重新训练backbone，只在推理阶段决定保留哪些视觉token。

整个方法分两步。

先决定每一帧保留多少token

如果平均分配预算，无关片段会浪费token；如果只根据query相关度，预算又可能集中到少数高相关帧，导致中间帧被剪空，时间链路断裂。

SemVID因此同时考虑query相关度和帧间变化两个信号。

相关帧包含目标事件，而变化帧往往靠近动作转折或事件边界，从而保证预算分配涵盖完整时间轴和证据链。

在每帧内部选择具体token

如下图所示，SemVID显式保留三类语义角色不同的token：Object、Motion和Context。

Object token保留与query相关的对象证据，负责回答“发生了什么”。

为了防止反复选中同一物体附近的patch，导致预算被相似的局部区域占满，SemVID使用MMR，让选出的object token既相关又互补，从而覆盖更完整的对象证据。

Motion token保留动作转折，负责回答“什么时候发生变化”。

SemVID根据相邻帧之间的局部特征变化选择motion token，并结合相关度过滤与query无关的背景运动。

它们不是普通运动区域，而是连接事件前后状态的relay node。

Context token保留场景锚点，负责回答“证据发生在什么环境中”。

极端剪枝下，如果只留下对象局部，视频会变成一组碎片化证据。少量context anchor可以维持场景连续性，帮助模型把对象和动作放回正确语境中。

实验：SemVID是否真的保住了证据链？

论文在Charades-STA和ActivityNet-Grounding上使用Qwen3-VL和Qwen2.5-VL进行评测。实验验证了SemVID是否在强压缩下仍能保持VTG所需的边界定位能力。

上图表明在相同token预算下，SemVID在mIoU、ER和CS上整体优于现有剪枝方法。

尤其在低保留率下，其他方法往往出现明显性能下降；而SemVID仍能稳定保持较高mIoU。这说明SemVID的优势不只是“压缩token”，而是把有限token留在了真正影响时间定位的位置。

其中，mIoU衡量最终定位精度，ER衡量关键证据是否被保留，CS衡量证据是否能跨帧连起来。

可以看到，SemVID的mIoU提升通常伴随ER和CS的提升，这与团队的核心动机一致：VTG剪枝不能只保留高相关画面，还必须保留一条可追踪的evidence chain。

消融实验进一步解释了SemVID为什么有效。

去掉Object Token后，mIoU和ER下降，说明query相关的对象证据是定位基础；去掉Motion Token后，mIoU和CS下降最明显，说明动作变化token是连接事件前后状态的关键relay；去掉Context Token后，CS也会下降，说明少量场景锚点能帮助维持时间连续性，避免证据碎片化。

可视化：SemVID能稳定保留动作相关证据

下图展示了不同剪枝方法的attention热力图。

相比VisionZip和FastVID，SemVID即使在12.5%的极低预算下，仍能稳定聚焦在动作发生前后的语义相关区域，例如人物手部、物体和动作交互位置。

总结

SemVID最重要的启发是，VTG剪枝不能只保留“看起来相关”的画面，而要保留能支撑边界定位的证据链。

通过object/motion/context三种语义角色，SemVID能在training-free条件下，把有限token更准确地分配给对象证据、动作转折和场景锚点，从而实现更稳定的长视频时序定位。

当然，SemVID也还有进一步改进空间。当前motion token主要依赖帧间特征变化来刻画运动，在镜头移动、背景剧烈变化或遮挡较多的场景中，仍可能受到干扰。

论文标题：Keeping the Evidence Chain: Semantic Evidence Allocation for Training-Free Token Pruning in Video Temporal Grounding
论文作者：Jiaqi Li, Shuntian Zheng, Yixian Shen, Jia-Hong Huang, Xiaoman Lu, Minzhe Ni, Yu Guan
作者单位：University of Warwick；University of Amsterdam；Amazon AGI
论文地址：https://arxiv.org/abs/2603.05663
代码地址：https://github.com/JiaqiLi404/SemVID

文章来自于"量子位"，作者 "SemVID团队"。