v1.249 IOS版
v4.584.8968.656811 最新版
v1.103.3791.966482 IOS版
v9.616.990.63359 最新版
v5.253.2607.570223 安卓最新版
v8.514.6625.353460 安卓漢化版
v3.263.4175.533072 IOS版
v5.556.8887 安卓最新版
v1.445.4397.247409 安卓版
v2.328.1583.793752 IOS版
v3.870.7144 PC版
v1.18.2749.232648 IOS版
v3.578.8695.99154 安卓免費版
v7.557.9749.146079 PC版
v9.809 安卓最新版
v4.505.2498 安卓免費版
v9.886.6473.190215 安卓最新版
v7.268.1532 安卓最新版
v2.546.1537.976377 安卓免費版
v6.453 安卓漢化版
v1.927.3100.391331 PC版
v4.478 安卓漢化版
v7.455.6204.961588 安卓最新版
v6.2 最新版
v4.343.7408.598929 PC版
v6.720.1947 安卓漢化版
v6.849.4535.6543 安卓最新版
v7.952.3713.505724 IOS版
v6.367.9282.144677 安卓免費版
v5.717.181.892911 安卓最新版
v8.496.4063.357486 PC版
v9.736.9878.685307 PC版
v1.275.1559.991362 安卓最新版
v4.222.8557.459160 安卓免費版
v6.24.275.668162 IOS版
v9.355.7149 最新版
v9.85.2880.939732 安卓漢化版
v9.873.8946.466995 安卓漢化版
v2.360.3825 安卓免費版
v1.82 安卓最新版
v2.188.7226.624968 安卓最新版
v1.382.224.149949 安卓漢化版
v1.130.4203.196398 安卓漢化版
v4.966.8376 IOS版
v8.806.2994 最新版
v9.554 最新版
v3.338.2252.452681 安卓版
v3.718.6043 IOS版
v4.133.3365.112054 安卓最新版
v7.979.2890 PC版
v6.648.5743.521292 安卓版
v9.632.7179.829357 安卓版
v9.298 安卓免費版
v4.2 IOS版
v5.353.2746 安卓免費版
v1.68.4192 PC版
v7.119.51 PC版
v8.750.1262 安卓版
v8.497 IOS版
v5.59.4188 安卓免費版
v5.472.2485.605765 安卓最新版
v9.103.8665.838315 最新版
v6.531 安卓最新版
v6.317 安卓版
v9.954.2642.118 PC版
v3.231.3101.997283 安卓免費版
v3.861 最新版
v8.402.9164 IOS版
v3.778.5226.459038 安卓最新版
v4.97.9379.825762 安卓免費版
v2.794.6287.177213 安卓版
v3.934.6901 最新版
v9.185 PC版
v3.36.4068 安卓免費版
v9.625.6512.103180 IOS版
v2.483.706 最新版
v3.424.259.578036 安卓免費版
v3.113.197.510931 IOS版
v8.390 安卓版
v5.979 PC版
日逼网站wwwwwww
新智元报道
编辑:LRST
【新智元导读】DeepSeek-OCR的视觉文本压缩(VTC)手艺通过将文本编码为视觉Token,实现高达10倍的压缩率,大幅降低大模子处置惩罚长文本的本钱。可是,视觉语言模子能否明确压缩后的高密度信息?中科院自动化所等推出VTCBench基准测试,评估模子在视觉空间中的认知极限,包括信息检索、关联推理和恒久影象三大使命。
近期,DeepSeek-OCR依附其立异的「视觉文本压缩」(Vision-Text Compression, VTC)范式引发了手艺圈的高度关注,以少少的视觉Token实现高效的文本信息编码,为长文本处置惩罚开发了新路径。
这一突破性希望让大模子处置惩罚超长文档的本钱大幅降低,但也抛出了一个焦点问题:当长文本被高度压缩为2D图像后,视觉语言模子(VLM)真的能明确其中的内容吗?
为相识答这一疑问,来自中科院自动化所、中国科学院香港立异研究院等机构的研究团队推出了首个专门针对视觉-文本压缩范式的基准测试——VTCBench。
论文链接:https://arxiv.org/abs/2512.15649
VTCBench链接: https://github.com/Moenupa/VTCBench
VLMEvalKit链接:https://github.com/bjzhb666/VLMEvalKit
Huggingface链接: https://huggingface.co/datasets/MLLM-CL/VTCBench
图 1:视觉-文本压缩 (VTC) 流程演示及VTCBench
与古板大模子直接读取成千上万的纯文本Token差别,VTC范式(如DeepSeek-OCR)先将长文档渲染 (Rendering)为高密度的2D图像,再由视觉编码器转化为少量的视觉Token。
该手艺可实现2倍至10倍的Token压缩率,显著降低了长文本处置惩罚时的盘算与显存开销。
VTCBench现已在GitHub和Huggingface周全开源,其衍生版本VTCBench-Wild是一个统一的、全方位评估模子在重大现实场景下视觉文本压缩的鲁棒性,现已集成到VLMevalkit。
焦点使命
权衡「看得见」之后的「看得懂」
现在的VLM也许能精彩地完成OCR识别,但在处置惩罚 VTC 压缩后的高密度信息时,其长文本明确能力仍存疑。
VTCBench通过三大使命,系统性地评估模子在视觉空间中的认知极限:
1.VTC-Retrieval (信息检索):在视觉「大海」中寻找特定事实的「针」(Needle-in-a-Haystack),测试模子对空间漫衍信息的捕获能力。
2.VTC-Reasoning (关联推理):挑战模子在险些没有文本重叠的情形下,通过关联推理寻找事实,逾越纯粹的词汇检索。
3.VTC-Memory (恒久影象):模拟超长对话,评估模子在视觉压缩框架下,抵御时间与结构性信息衰减的能力。
别的,团队同步推出了VTCBench-Wild,引入 99 种差别的渲染设置(涵盖多种字体、字号、行高及配景),全方位检测模子在重大现实场景下的鲁棒性。
揭秘视觉压缩背后的认知瓶颈
图 2:VTCBench针对模子在长图像中检索信息的热力争。横轴代表上下文长度,纵轴代表要害事实(Needle)在文档中的深度。展现了模子体现的「迷失」与突破。
测试效果泛起出显著的「U 型曲线」:与文本模子类似,视觉语言模子(VLM)能够精准捕获开头和最后的信息,但关于中心部分的事实,明确能力会随着文档变长而强烈衰退。这证实晰纵然在视觉空间,模子依然保存严重的「空间注重力私见」,是未来 VTC 架构优化的要害偏向。
行业洞察
视觉压缩是长文本的终局吗?
通过对GPT、Gemini、Claude、QwenVL、InternVL、Gemma、KimiVL、Seed1.5等10余种尖端模子的深度评测,可以发明:
虽然VTC极大提升了效率,但现有VLM在重大推理和影象使命上的体现仍普遍弱于纯文本LLM;
消融实验证实,信息密度是决议模子性能的要害因素,直接影响视觉编码器的识别精度;
Gemini-3-Pro在VTCBench-Wild上体现惊艳,其视觉明确能力已险些追平其纯文本基准,证实晰VTC是实现大规模长文本处置惩罚的极其可行的路径!
总结
若是说古板的长文本处置惩罚是「逐字阅读」,那么DeepSeek-OCR所引领的VTC范式就是「过目成诵」的摄影式影象。VTCBench的泛起,正是为了确保模子在拥有这种「超能力」的同时,依然能够读懂字里行间的微言大义。
参考资料:
https://arxiv.org/abs/2512.15649
秒追ASI
?点赞、转发、在看一键三连?
点亮星标,锁定新智元极速推送!
相关版本
多平台下载
审查所有0条谈论>网友谈论
91自拍欧美
黄色仓库免费下载
空井仓尿尿视频网站
白白射在线观看
国产老熟女高潮视频
人人操人人妻人人摸
天天日天天舔天天操
免费视频在线观看4444
激情图片 激情视频 Qvod
一级无毒不卡毛片在线播放
性强烈的欧美三级视频一区
xxxxx无
人人操人人摸人人色狼
18 成人免费网站下载