自動運転システムにおける効率的なマルチモーダルLLMのための動画トークンスパース化

動画の連続フレームにある冗長性を活用し、最も重要な視覚トークンを保持しながら、総トークン数を大幅に削減することで、マルチモーダルLLMの実用的な導入を可能にする。