Eventful Transformers在保持模型准确性的前提下，实现了计算效率的大幅提升，这一突破性进展为视觉Transformer的实际应用开辟了新天地。但任何技术都有其优势和局限，下面让我们来全面剖析这项技术的性能表现和未来潜力。 Eventful Transformers的一个重要特点是其适应性，它可以根据实时需求调整计算预算。这在资源波动的实际应用场景中极为重要。研究团队展示了一个实际例子，在一个视频序列中动态改变计算预算，模型能够顺利适应这些变化。 未来研究方向包括进一步整合空间冗余方法。概念上，这些方法使用更紧凑的token集合来总结大量冗余token。当与空间冗余方法结合时，需要确保紧凑的空间摘要相对稳定。例如，使用自适应token聚类时，需要以基本一致的顺序对集群进行排序。 关于空间和时间冗余的联合建模还有许多潜在的有趣问题。例如，时间轴与空间轴有何不同？是否应单独建模时间轴？这些问题留待未来研究解答。