v1.871.3793 IOS版
v2.459.1132.242863 安卓最新版
v3.452.5412 安卓版
v3.302.8866.47169 安卓免費版
v2.72.2739 最新版
v6.859.9485 IOS版
v7.128.2580.490139 PC版
v2.49.4680.259170 PC版
v7.378.7585.537441 最新版
v6.565.5296.988644 IOS版
v9.118.2396 安卓版
v9.634.1487.323952 最新版
v6.576.7385.758608 安卓漢化版
v6.967.8202.766657 安卓版
v4.179.6714.98953 安卓漢化版
v5.594.3048.551275 IOS版
v1.441 安卓最新版
v4.831.1325.391054 安卓最新版
v3.368.9373 安卓免費版
v5.237.4445 PC版
v5.820 安卓最新版
v1.651.2635.145628 安卓漢化版
v5.232 IOS版
v6.960 最新版
v5.457.626.820547 安卓免費版
v8.603.3348.677828 安卓版
v3.383.5262.160309 安卓免費版
v2.263.2051 最新版
v2.89.2551.202670 安卓最新版
v8.186.3355.557593 安卓最新版
v2.113.7841.388427 安卓最新版
v1.176 安卓版
v4.168.8307 安卓最新版
v4.777.1602.940579 IOS版
v2.851 安卓最新版
v1.959.6104.214723 IOS版
v9.562.5060 安卓版
v4.36.4923.437828 安卓最新版
v5.274 安卓版
v9.147.3786 安卓版
v2.446.7442 安卓漢化版
v6.641 安卓最新版
v2.34.8555.352999 安卓版
v6.76.9278.222702 PC版
v1.212.1050 安卓免費版
v9.607.3319 最新版
v9.42 安卓漢化版
v1.797 IOS版
v6.72.600 安卓漢化版
v1.994.1938.791546 安卓漢化版
v8.889 IOS版
v4.240 最新版
v7.516.1217.591035 安卓版
v2.920.7512.289850 安卓免費版
v7.490.4458.423851 安卓漢化版
v7.356.6944.595691 安卓漢化版
v4.658.6813.416604 最新版
v2.747.8438 安卓最新版
v6.415.6452.166695 安卓最新版
v4.236.7355.321317 安卓漢化版
v6.577.7001.446390 IOS版
v2.123 IOS版
v9.650.7970.539809 IOS版
v1.354.8040.941849 最新版
v6.504.8370.209202 最新版
v5.307 最新版
v1.553.875.793947 安卓漢化版
v5.453.70 安卓最新版
v6.61 安卓最新版
v8.549.5585.938566 安卓免費版
v8.227.9359.28437 安卓漢化版
v8.402.7472.519526 安卓免費版
v1.657.4794.831248 IOS版
v5.449.5918.724149 安卓漢化版
v8.279 PC版
v4.907.2631.237985 安卓漢化版
v9.562 安卓免費版
v3.806.369.447128 IOS版
v6.857.8315.863399 安卓漢化版
v2.348 安卓免費版
免费色色色色视频
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
4444在线视频
A级无码
爽一爽aⅴ视频
欧美大屁股肥熟妇乱色视频
妲己女被 黄漫扒衣漫画
色视频在线观看在线网站
槽鼻视频素材大全免费版
最新国产福利
人人操狠狠干波多野结衣
小 伸进 丝袜
黑丝美女把衣服脱掉让男生揉揉
男生自慰✅高清免费
姐姐主动解开内衣让我吃
扒开孕妇双腿猛进入产道视频
国产精品视频狼友视频
高清视频 一区
久久久久无码精品国产抖音
中国 HDvideo少妇
黄漫 涩爆乳自我安慰在线观看
强奸校花美女系列视频
亚洲生活片
触摸器可插角色内置菜单
欧美精品一区二区色窝窝
国产操逼网
99毛片