CMU 团队提出 SPLIT：学习分层 patch 切分加速 ViT
热点事件持续更新
CMU 团队提出 SPLIT：学习分层 patch 切分加速 ViT
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
CMU 的 Aditya Gupta 等研究者在 arXiv 发布论文（arXiv:2611.05742，NeurIPS 2026 接收），提出自适应图像分词方法 SPLIT（Split Policy Learned Image Tokenization），根据模型认为有任务相关意义的内容分配 token 分辨率，替代以往基于局部熵等像素级启发式的分块方法。 论文称，SPLIT 在分类任务上以少 30% 的 token 达到全分辨率 ViT 基线的同等精度，并在 COCO 和 ADE20K 上取得有竞争力的结果，表明语义对齐的切分可推广到分类之外。上述效果为论文作者的实验结果。
AI 根据报道生成 · 2 小时前更新
最新进展11月5日 13:00
SPLIT：学习层级化图像分块策略，让 ViT 更快报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.AISPLIT：学习层级化图像分块策略，让 ViT 更快
SPLIT（Split Policy Learned Image Tokenization）根据模型认为有意义的任务相关信息来分配 token 分辨率，替代以往基于局部熵等像素级启发式的自适应分块方法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。