标题： 语言引导的时间令牌剪枝用于高效视频LLM处理 显示英文标题

标题： Language-Guided Temporal Token Pruning for Efficient VideoLLM Processing

摘要： 视觉语言模型（VLMs）由于注意力机制的二次复杂性，在长视频上表现不佳。 我们提出了语言引导的时间标记剪枝（LGTTP），利用查询中的时间线索来自适应地剪枝视频标记，保持上下文连续性的同时减少计算开销。 与均匀剪枝或关键帧选择不同，LGTTP在时间相关段落中保留更高的标记密度。 我们的模型无关框架与TimeChat和LLaVA-Video集成，在计算量减少65%的同时保持原始性能的97-99%。 在QVHighlights上，LGTTP使HIT@1提高了+9.5%，在Charades-STA上，它保留了R@1的99.6%。 它在具有显式时间标记的查询上表现出色，并在一般的视频理解任务中仍有效。 显示英文摘要

摘要： Vision Language Models (VLMs) struggle with long-form videos due to the quadratic complexity of attention mechanisms. We propose Language-Guided Temporal Token Pruning (LGTTP), which leverages temporal cues from queries to adaptively prune video tokens, preserving contextual continuity while reducing computational overhead. Unlike uniform pruning or keyframe selection, LGTTP retains higher token density in temporally relevant segments. Our model-agnostic framework integrates with TimeChat and LLaVA-Video, achieving a 65% reduction in computation while preserving 97-99% of the original performance. On QVHighlights, LGTTP improves HIT@1 by +9.5%, and on Charades-STA, it retains 99.6% of R@1. It excels on queries with explicit temporal markers and remains effective across general video understanding tasks.