新智元報道

編輯：LRST

【新智元導讀】常用的attention機制存在位置偏置和padding異常，影響剪枝效果。上海大學曾丹團隊提出一種無需重新訓練的attention去偏方法，有效提升剪枝性能，使模型在信息受限時仍能可靠運行，為VLMs在移動端和邊緣計算等場景的高效部署提供了新思路。

近年來，Vision-Language Models（視覺—語言模型）在多模態(tài)理解任務中取得了顯著進展，并逐漸成為通用人工智能的重要技術路線。

然而，這類模型在實際應用中往往面臨推理開銷大、效率受限的問題，研究者通常依賴visual token pruning等策略降低計算成本，其中attention機制被廣泛視為衡量視覺信息重要性的關鍵依據(jù)。

近日，上海大學曾丹團隊聯(lián)合南開大學研究人員，從attention可靠性的角度出發(fā)，系統(tǒng)揭示了Vision-Language Models中普遍存在的attention偏置問題，并提出了一種無需重新訓練的attention去偏方法，在多個主流模型、剪枝策略及圖像與視頻基準上驗證了其有效性，為多模態(tài)模型的高效、可靠部署提供了新的思路。

文章代碼：https://github.com/intcomp/attention-bias

文章鏈接：https://arxiv.org/abs/2508.17807

研究意義

近年來，視覺—語言模型（Vision-Language Models，VLMs）在圖像理解、視覺問答、多模態(tài)對話等任務中表現(xiàn)突出，并逐漸成為通用人工智能的重要技術基礎。

然而，這類模型在實際部署時往往面臨一個現(xiàn)實挑戰(zhàn)：模型推理成本高，速度慢。

為提升效率，研究者通常會采用visual token pruning（視覺 token 剪枝）技術，即在不顯著影響性能的前提下，丟棄不重要的視覺信息。其中，attention機制被廣泛用作判斷「哪些視覺 token 更重要」的核心依據(jù)。

但上海大學曾丹團隊在研究中發(fā)現(xiàn)：attention并不總是可靠的「重要性指標」。

在多模態(tài)模型中，attention 往往受到多種結構性偏置的影響，這些偏置與真實語義無關，卻會直接左右剪枝結果，從而影響模型性能。

針對這一問題，該團隊系統(tǒng)分析了VLM中attention的行為特性，提出了一種Attention Debiasing（注意力去偏）方法，在無需重新訓練模型的前提下，有效提升了多種主流剪枝方法的穩(wěn)定性與可靠性。

如下圖所示，提出的方法應用于目前基于attention的剪枝方法上之后，都有提升。

研究背景

在直覺上，attention機制往往被理解為「模型更關注哪里」，因此被自然地視為語義重要性的體現(xiàn)。

然而，曾丹團隊的研究表明，在Vision-Language Models中，attention 往往并非只由內(nèi)容決定，而是隱含著多種系統(tǒng)性偏置。

其中最典型的有兩類：

第一類是位置偏置（recency bias）。研究發(fā)現(xiàn)，language-to-vision attention 會隨著視覺 token 在序列中的位置不斷增大，也就是說，模型更傾向于關注「后面的 token」。如圖所示，這通常表現(xiàn)為模型對圖像下方區(qū)域給予更高 attention，即便這些區(qū)域并不包含關鍵信息。

第二類是padding引發(fā)的attention sink現(xiàn)象。在實際輸入中，為了統(tǒng)一尺寸，圖像往往需要padding，但這些區(qū)域在語義上是「空白」的。然而，由于hidden state中出現(xiàn)異常激活，padding對應的token反而可能獲得較高attention，從而被錯誤地保留下來。下圖是pad區(qū)域填充不同的數(shù)值時，pad區(qū)域?qū)腶ttention score數(shù)值以及hidden states的激活值。

更值得注意的是，當attention被用于剪枝排序時，這些偏置并不會被削弱，反而會被進一步放大，最終導致剪枝結果偏離真實語義需求。

研究方法

針對上述問題，上海大學曾丹團隊并沒有提出新的剪枝算法，也沒有對模型結構進行修改，而是從一個更基礎的角度出發(fā)：既然attention本身是有偏的，是否可以先對attention進行修正？

該團隊觀察到，attention中的偏置并非隨機噪聲，而是呈現(xiàn)出穩(wěn)定的整體趨勢。因此，他們通過對attention隨token位置變化的趨勢進行擬合，構建了一條反映「位置偏置」的曲線，并在此基礎上對原始attention進行去偏修正，顯式削弱與內(nèi)容無關的位置因素，使attention更接近真實的語義重要性。如下圖所示。

與此同時，在剪枝階段顯式抑制padding token的影響，避免語義為空的區(qū)域干擾剪枝排序。整個過程無需重新訓練模型，也不依賴特定的剪枝策略，可作為plug-and-play模塊直接集成到現(xiàn)有方法中。

實驗結果和應用前景

在實驗驗證中，該團隊將Attention Debiasing方法集成到FastV、PyramidDrop、SparseVLM、HiMAP、TokenCarve、iLLaVA等6種主流attention-based剪枝方法中，在10個圖像理解基準與3個視頻理解基準上進行了系統(tǒng)評估，并覆蓋LLaVA-7B / 13B等多種主流Vision-Language Models

實驗結果表明，在幾乎所有設置下，經(jīng)過attention去偏修正后，剪枝模型都能獲得一致且穩(wěn)定的性能提升，且在剪枝更激進、token預算更緊張的情況下效果尤為明顯。這說明，對attention進行去偏處理，有助于模型在「更少信息」的條件下做出更可靠的判斷。

此外，通過對實驗結果的可視化分析，原始attention-based剪枝方法往往保留了大量位于圖像下方或padding區(qū)域的視覺token，而與問題語義密切相關的關鍵區(qū)域卻容易被忽略。引入attention去偏修正后，模型保留的視覺區(qū)域更加集中于目標物體及關鍵細節(jié)位置，有效減少了無關背景的干擾。該結果直觀驗證了attention去偏在提升剪枝合理性和可解釋性方面的作用。

從應用角度來看，該研究對多模態(tài)模型在「移動端部署、邊緣計算、實時視覺理解」等場景具有重要意義，也為后續(xù)更穩(wěn)健的attention設計和多模態(tài)模型優(yōu)化提供了新的研究思路。

總結

該研究表明，attention并非天然等價于語義重要性，尤其在Vision-Language Models中，如果忽視attention中潛在的結構性偏置，基于attention的剪枝策略可能會被誤導。

上海大學曾丹團隊通過簡單而有效的attention去偏方法，顯著提升了多模態(tài)模型在效率與可靠性之間的平衡能力。

參考資料：

https://arxiv.org/abs/2508.17807