v1.508.7029.102304 安卓漢化版
v2.608 安卓版
v2.190.1003 最新版
v5.843.804 IOS版
v3.413.2105 最新版
v8.408 安卓最新版
v2.54.6050 安卓免費版
v4.657.661.292548 安卓版
v3.568.6100.982859 最新版
v6.115.4122.681464 PC版
v4.667 安卓免費版
v9.357 安卓版
v7.676.6672 安卓最新版
v7.624.1565.116849 安卓版
v4.786 安卓版
v8.447 安卓免費版
v8.355.6480.58965 最新版
v7.497.4735 安卓漢化版
v9.208 PC版
v1.447.2244.439972 最新版
v9.754.261.677595 安卓最新版
v3.657.6534 安卓版
v7.844.3825.854859 IOS版
v9.293.7672.483695 安卓版
v2.854.417.215757 最新版
v7.635.7173 安卓版
v4.50.1488.275034 最新版
v4.922.5853 安卓漢化版
v4.220 IOS版
v2.255.999 安卓最新版
v2.674 安卓最新版
v4.3 安卓最新版
v6.370.8302.55655 最新版
v7.783 IOS版
v3.369.3852.687858 安卓漢化版
v8.536.5529.449927 安卓免費版
v4.373.6134 安卓漢化版
v9.807 PC版
v4.57.2684 IOS版
v5.299.9732 PC版
v5.600.7800 IOS版
v7.918.396 安卓版
v4.131.4239 安卓漢化版
v4.222.2636.123089 安卓最新版
v9.671.6626 安卓免費版
v4.960 安卓最新版
v8.643 安卓最新版
v1.117.5235.388386 安卓最新版
v3.33.4983 最新版
v6.332.8592.873246 IOS版
v4.224 安卓版
v7.270 IOS版
v6.534.102.28375 最新版
v3.340.1585 PC版
v1.507.4973 最新版
v4.51.6043.847859 安卓漢化版
v1.203.7307.696071 IOS版
v9.506 PC版
v7.135.704.869922 安卓免費版
v8.996.7738.450338 安卓最新版
v2.318.356.700093 IOS版
v7.575.4041 IOS版
v2.457.2081.307780 PC版
v8.277.74.388377 安卓最新版
v2.457.2012 最新版
v7.819.3490.533867 安卓漢化版
v2.265.8983 安卓版
v6.582.5627.795318 IOS版
v6.326.1765 安卓免費版
v7.432.3380.659777 PC版
v3.348.2834.907620 安卓版
v2.921.5752.931350 安卓版
v3.595.846 IOS版
v3.357.5056.877253 IOS版
v8.733.4697.658110 最新版
v4.209.6197.152576 最新版
v2.218 安卓漢化版
v1.371.742.803534 IOS版
v9.713.8480.138610 安卓免費版
v7.367 最新版
小月美化包v12最新版本
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
人人爽夜夜爽
furry性猛交
男人叉女人麻豆
国产乱伦视频网址
孕妇分娩腿分大开视频
看看亚洲美女与欧洲男人日逼特黄免费视频网站
免费观看的av网址大全
福瑞18r冲酸奶
久久高潮A片免费
欧美精品人妻AⅤ在线观视频免费
在线观看免费无码黄
三角裤阴部鼓起图片大全
护士被扒开衣服
免费黄色视频播放
日本美女激情在线
伊人.99澡操
王小羽光脚丫图片
男人第一天堂www网
调教妺妺荡乳欲仙欲XXXⅩ视频