本文提出了一种细粒度的令牌修剪方法，通过可学习的路由器识别不重要的令牌，从而降低大语言模型推理中的计算开销。研究表明，该方法在多个基准测试中表现优异，显著提高了准确率保持率。

该文综述了多种提升视觉Transformer效率的方法，包括：A-ViT通过自适应减少令牌数提高效率；基于剪枝与恢复的3D人体姿态估计方法；语义标记ViT通过降维提升效率；SVT利用语义池模块减少视频冗余；可学习回归标记用于视频事件定位；FPGA硬件高效标记修剪框架HeatViT；STTS动态选取视频关键信息；VTN视频识别框架实现提速；AVT基于注意力预测未来动作，在多个基准测试中表现优异；EVAD高效视频动作检测框架降低计算复杂度并提速。