Braco 把视觉 token 压缩从“挑token”改成“换表示”，在 23–64 倍压缩下达到 95.2% 归一化精度并把 prefill FLOPs 降 84.2%–86.7%

论文提出以 token 参数化视角看待极端视觉 token 压缩，把压缩拆成两部分：基变换与结构化截断决定“保留哪个子空间”（可压缩性），坐标组织决定“同一子空间内坐标如何排布”（可学习性），并形式化为统一泛函。 此前工作多把压缩等同于 token 选择（剪枝/合并）或学习式重采样；这里把“保留什么”和“如何表示保留内容”作为两个可分别诊断的设计轴。 论文给出可压缩性（能量保留与任务方向可读性）与可学习性（统计条件数与几何兼容性）的显式泛函，并在附录中给出推导与阈值条件；诊断在冻结 token 网格与 CelebA 线性探针上进行。

据此设计的 Braco 由四步组成：DCT 低频块截断的变换域主干、输入无关的基坐标嵌入、随预算变化的正交坐标组织（小预算用系数坐标、较大主干用逆 DCT 粗网格）、以及轻量稀疏池化得到的空间残差 token。 与纯低通变换编码（如 Fourier-VLM 的逆 DCT 重建）不同，Braco 额外恢复变换后丢失的 token 身份，并用空间残差补回低通截断丢弃的局部证据。 消融显示：9 token 时混合 c2s5 达 93.2 归一化精度，高于纯主干 c3s0 的 89.8 与纯残差 c0s9 的 92.0；16 token 时把 DCT 主干换成 spatial/Haar 损失 2.3–3.0 个精度点，换掉所选坐标组织损失 2.5–3.1 点，换掉 Polar Fourier 嵌入损失 0.8–0.9 点。

端到端评测中，Braco 在匹配的极端 token 预算下形成更优的精度—效率前沿：相对 576-token Vanilla，把全流程 prefill FLOPs 从 8.67T 降到 1.09–1.37T，同时在 4–25 token 区间保留 91.2–95.2 的 Vanilla 归一化精度。 在 25、16、9 token 上取得所评测方法中最高的归一化精度，4 token 时与 QueCC 相差 0.2 以内；与 QueCC 相比在 16/9 token 精度相差 0.1 以内而延迟降低约 36%。 主表在 GQA、MMBench(EN/CN)、MME、POPE、ScienceQA、TextVQA、MMVet 上报告逐项分数与归一化精度，所有基线共享重训练/评测流程与匹配预算；压缩器层面 Braco 以 16.6 倍更低模块延迟、78.8 倍更少压缩器 FLOPs 达到 QueCC 级精度。

在更大输入与更小 LLM 上，Braco 保持有效：2880 输入 token 的 Vicuna-7B 设置下保留 98.1 归一化精度，把全流程 FLOPs 从 40.57T 降到 3.45T、延迟从 261.08ms 降到 44.36ms；Qwen2.5-3B 上在 729/1024 输入 token 保留 93.1/92.6 精度，3645 token 保留 90.8 精度。 论文指出 576-token 设置主要检验精度能否在极小保留预算下存活，而视觉接口变大后同样的保留预算会移除更大的未压缩 prefill 负担，从而带来更大的端到端节省。 表 8 给出 Vicuna-7B 与 Qwen2.5-3B 在 576/2880/729/1024/3645 输入 token 下的逐基准分数、FLOPs 与延迟；训练时间表显示 Braco 不慢于 QueCC。

该结果面向视觉编码器—LLM 流程中的单图多模态推理，适用于需要在几十个视觉 token 内完成部署的移动推理、低延迟交互代理与长上下文多模态场景；对希望在不重训下游 LLM 的前提下替换视觉接口的工程实践，论文提供了可独立度量的轻量压缩器与随预算变化的坐标规则。论文还给出无标签校准流程：在视觉接口训练分布上估计交叉点，或在目标域变化时用少量无标签样本重新估计，从而把主干—残差分配、坐标组织与结构化基适配到新编码器或分辨率。

论文自述主要评测范围是 LLaVA 系列流程与标准单图基准，坐标选择针对已测编码器与分辨率校准，新主干、视频输入、密集定位任务、领域特定分布、不规则区域特征或动态视觉 token 可能需要小规模校准扫描；关键 Braco–QueCC 与 Braco–TokenPacker 设置报告了三随机种子精度对比，其余精度对比使用单一训练检查点。此外，加载文本中部分表格与图（如批量扩展延迟、部分成本分解）以空值形式出现，因此这些具体数值无法在此总结中复述，读者若关心批量扩展与阶段成本细节需查阅原文附录。