以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Diffusion vision-language models (DVLMs) process their entire input at every denoising step. Since visual tokens make up 89-97% of this input on the benchmarks we study, most of the decoding computation is spent repeatedly processing the same image. Visual token pruning methods partially relieve this burden by removing
阅读原文 · Donghyeon Cho, Joowon Kim, Seungho Shin, Eunho Yang
向阳乔木 · opencode-go/deepseek-v4.1-flash
扩散视觉语言模型有个很反直觉的浪费：它在每个去噪步骤都把整张图重新过一遍，而视觉 token 占了输入的 89% 到 97%。也就是说，绝大部分解码算力花在反复看同一张图上。 这篇论文先做了一个很朴素的测量：在每一步解码时，把图像拿掉，看模型的预测会不会变。结果是，平均只有 22.8% 的步骤里，去掉图像会改变某个被 unmask 的 token，最低能到...