この論文では、マルチモーダル大型言語モデル（MLLM）の効率性を高めるために、オブジェクトレベルのトークン統合戦略である「AdaTok」を提案しています。従来のパッチ単位のトークン化手法では、画像トークン数が二次的に増加し、計算資源やメモリに過剰な負担をかけていました。また、この手法は人間の視覚認知システムと整合しないため、ハルシネーションや計算の冗長性を引き起こす問題がありました。アダトークは、画像を人間の視覚に基づいて効率的にトークン化する方法を示し、実験結果では、トークン数を平均して10％に削減しながら、従来のモデルの約96％の性能を維持できることが示されています。この研究は、圧縮率と性能のバランスの優位性を証明する重要な成果です。