v3.505.1799 最新版
v8.488.214.969930 PC版
v7.983.4664.541162 安卓最新版
v9.712.9205.791289 安卓版
v2.648.8467.311240 安卓版
v1.525 IOS版
v3.911.1582.26633 安卓最新版
v8.414 安卓最新版
v3.325.8283.352176 PC版
v4.731.6698.954232 PC版
v7.510 安卓版
v1.399.5453.518600 PC版
v4.85.2082 PC版
v8.240.5841.878547 安卓最新版
v8.287.3358.543113 安卓版
v3.456 PC版
v9.229.1978.63673 安卓最新版
v6.45.351.744126 IOS版
v4.907 安卓免費版
v6.343.2095.170843 安卓漢化版
v3.610.645 IOS版
v3.942.4362 最新版
v9.149.4473.906199 安卓版
v1.23.1336 安卓免費版
v3.363.627.295163 安卓版
v8.599.2811.294191 PC版
v4.375 安卓版
v5.465 安卓免費版
v5.675.1516 安卓版
v5.85.7864 PC版
v5.477.3654.938446 安卓最新版
v8.366.6010.827106 IOS版
v6.658.2772 最新版
v4.45 安卓版
v3.621.6483.465171 安卓免費版
v8.380.8009.436771 安卓免費版
v2.126.5498.899331 安卓最新版
v6.361 IOS版
v3.409 安卓免費版
v7.475.2691.374758 安卓版
v2.184.3791.978898 IOS版
v6.630 安卓版
v3.501.1431.207651 安卓版
v4.4.8516 安卓最新版
v2.791.8443 安卓免費版
v5.779.5082.829508 安卓最新版
v7.143.6139.664399 安卓漢化版
v7.711.4410 PC版
v3.762 安卓最新版
v1.439.927.951072 最新版
v5.477.3782 安卓最新版
v3.738.1455.577078 安卓漢化版
v2.782.756.639523 IOS版
v9.758.6835 安卓版
v1.218 安卓免費版
v4.973.6819.306411 安卓最新版
v7.286.6424.347909 安卓免費版
v4.256.9714.363698 安卓版
v6.183.2870.43403 安卓最新版
v3.544 安卓版
v3.711.4350 PC版
v3.964.9446.922197 IOS版
v1.199.6791.176786 PC版
v9.166.1303.695165 安卓漢化版
v2.914.556.225390 安卓免費版
v7.387.4937.158795 IOS版
v6.934.5697.49219 安卓免費版
v8.690.8631 安卓漢化版
v4.57.3308.615225 安卓免費版
v3.532.2421.257020 安卓最新版
v8.90.9652.579509 安卓版
v8.962.6402.768734 安卓最新版
v4.601.9386.466061 安卓最新版
v6.807.2423.275347 PC版
v6.436.6623.297800 IOS版
v4.57.8284.152528 安卓最新版
v8.809 安卓免費版
v3.436.1643.70025 PC版
v7.322.4762.653101 IOS版
v6.754.9692.777614 最新版
美女打扑克骚叫声
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
雷电将军椰奶狂飙
美女的私密秘 视频网站
如何看毛片
999久久久人妻中文字幕
国产黄视频美女线观看
韩国三级无码HD中文字幕
亚洲AV无码秘 蜜桃-百度贴吧
51视频精品全部免费
国产亚洲成AⅤ人片在线观看
男女后试动态
国产高清性旺盛熟女视频
秋霞视频网
欧美一级作爱视频观看
欧美孕妇黄色视频
麻豆传媒,天美,91,糖心
爱橙影院
看一级毛片黄色视频
亚洲最大三级片网站黄色视频
黄免费看免费看
欧美另类69XXXX免费
国产精品黄动漫一区视频
69老师XXXXXXXXX学生
孕妇99久久久国产精品免费
尤物在线免费观看