FlexVDR：学习分配用于视觉文档检索的 Matryoshka 表示预算

基于摘要分析。本文研究视觉文档检索中多向量表示的编码与匹配成本问题，提出 FlexVDR，在单一检索器内根据查询自适应分配计算预算。其核心贡献不是仅提供多个压缩配置，而是在执行完整计算之前估计各配置的检索价值，并结合可配置的资源偏好选择路径。 机制上，FlexVDR 沿编码器深度、嵌入宽度和 token 数量构建联合路径族，通过检索监督与蒸馏训练紧凑路径，同时使用原生旁路保留全预算参考路径。Budget Allocator 从早期查询特征预测各路径的检索效用，再结合资源偏好作出选择。摘要未披露效用预测的监督构造、具体损失形式、路径组合方式，以及资源成本是否包含分配器自身开销，这些内容尚未验证。 作者报告，在 ViDoRe V1、V2 和 V3 public 上、覆盖五种骨干模型的实验中，FlexVDR 为各查询选择紧凑路径时仍保留了较多原生检索质量；同一检索器可通过调整资源偏好改变计算量，无须重新训练或切换模型。摘要未给出具体检索指标、计算节省数值及数据划分，不能据此量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的机制是“利用早期特征估计追加计算的任务收益”，可能用于探索 EEG 解码中的按试次计算预算分配，但原文研究对象是视觉文档检索，尚无 EEG/BCI 有效性证据。该假设依赖可共享的多预算路径及足以监督效用预测的数据；迁移时需重构信号编码器、任务监督和成本模型。低信噪比可能使早期特征无法可靠判断试次难度，跨被试差异及小数据也可能造成预算选择失准。可检验的小实验是在固定 EEG 任务与被试内划分下，对比自适应路径和匹配平均计算预算的固定路径，联合考察任务指标、实际延迟与分配器开销；通道变化和跨被试泛化应另行验证。已有 EEG 相关工作尚未检索确认。