让 AI 比较一组商品照片时，通常每张图都会按同样的清晰度处理，无论它是关键证据，还是几乎无关的背景。图片一多，计算开销便迅速膨胀。这篇论文提出 mmVB，让模型像调查员分配看图时间：重要照片细看，次要照片粗看。
图片进入多模态大语言模型前，会被拆成视觉 Token——可理解为模型读取画面的信息小卡片。mmVB 结合问题和整组图片，为每张图预测所需档位，再缩放图片；它不会把低清图片放大。这个模块只有约 160 万个可训练参数，基础模型无需重新训练，也不用在推理时读取 Attention（模型比较不同信息单元的机制）矩阵。
作者称，在八个多图推理基准上，mmVB 将视觉输入 Token 压至约九分之一，首个 Token 的等待时间缩短至约五分之一，预填充计算量降至约七分之一，同时保留全分辨率模型 94.4% 的准确率。代价是预算标签只保证“足够可用”，并不保证已经找到最省 Token 的组合。