拆解 ICML 2025 的 MMInference：以模态感知置换、Grid 稀疏模式与定制 GPU Kernel 加速长视频视觉语言模型的 prefill，属于推理加速（推理侧）方向。

从文本 rater、逐层视觉 Token 稀疏化与被裁 Token 回收出发，拆解 ICML 2025 的 SparseVLM 如何在不训练新参数的前提下加速多模态大模型推理。

从 Q-Former、三种表征学习目标与两阶段预训练出发，拆解 BLIP-2 如何用冻结视觉编码器和冻结 LLM 构建多模态模型。