ReMo：无需训练的 Omni-LLM 视觉 Token 压缩与语义重分布
Omni-LLM 处理音视频时，视觉 Token 冗余严重导致计算瓶颈。ReMo 提出无需训练的压缩框架，通过 Cross-modal Projection 对齐音频与视觉空间，利用 Residual Saliency 剪枝冗余 Token，并引入 Text Proxy 保留对象语义。实验显示其在 Qwen2.5-Omni 和 Qwen3-Omni 上均超越全 Token 模型准确率，同时大幅降低延迟。需注意其依赖离线投影和检测器词汇表。