电脑操作智能体不再逐帧吞下整屏：VTR联合训练路由器，视觉token少2.5至5.8倍仍保持全分辨率表现
电脑操作智能体每张截图要编码成数千个视觉token，长任务和实时游戏里上下文迅速膨胀。VTR把视觉语言模型与一个轻量时空路由器联合训练，路由器查看当前与上一张截图中同一图像区域，决定该token是否进入语言模型，并用自适应损失在尽量少保留token与尽量不损失动作预测之间取舍。仅2000步训练后，VTR在OSWorld、CUA-World和电子游戏动作预测上匹配全分辨率模型，视觉token少2.5至5.8倍，推理成本最多降3.3倍，预填充最多快2.9倍。