视觉 token 剪枝是降低视觉语言模型（VLM）推理成本的重要手段。常规剪枝方法通常只解决一个问题：应该保留哪些 token。这种以“保留”为中心的思路有一个隐患：它可能留下大量得分高但彼此冗余的 token，而当某些被丢弃的区域缺乏足够接近的保留代表时，模型的视觉证据就会产生缺口。CoverPruner 正是针对这一盲点提出的一种无需训练的剪枝方法。它的核心视角是“需求侧”：一旦一个 token 被移除，目标 VLM 中应由哪个幸存的原始 token 来承担它的表达职责？
具体而言，CoverPruner 将剪枝形式化为表示覆盖最大化（Representational Coverage Maximization, RCM）问题。模型对视觉证据的需求以查询权重形式进入优化目标，剪枝结果需要让保留下来的 token 集合覆盖投影后的完整视觉 token 集合。为了实现这一目标，CoverPruner 在视觉-语言投影器（projector）的表示空间中计算覆盖程度，并借助一个轻量级的第一层注意力探针来估计 token 之间的关系。整个过程不需要额外的训练，因此可以直接应用到不同的 VLM 架构上。
这种设计带来两个直接收益。其一是把剪枝从“挑选高分 token”转变为“覆盖证据需求”，避免高冗余得分 token 挤占有限的预算。其二是训练无关特性显著提升了方法的通用性，使其能够在多种视觉语言模型上快速部署。
论文在多个主流 VLM 架构和不同压缩率上进行了对比实验。结果显示，CoverPruner 在所有参与比较的方法中取得了最佳平均准确率，而且最大提升通常出现在压缩最激进的设定中。这说明，当可用 token 预算非常紧张时，仅靠重要性评分决定去留远远不够；让每个被剪除的 token 都有一个“代言者”，对保持模型对视觉内容的覆盖能力至关重要。
该论文题为《谁为被剪除的视觉Token代言？——将视觉Token剪枝建模为覆盖优化》，由 Qingchan Zhu 与其他五位作者共同完成，2026年9月2日提交至 arXiv，编号 arXiv:2609.03158，并被 EMNLP 2026 主会接收。论文同时涉及计算机视觉与模式识别（cs.CV）、计算与语言（cs.CL）和机器学习（cs.LG）方向。该项研究为高效 VLM 推理提供了一个新的思路。