v7.102.7782.473221 最新版
v4.125 PC版
v5.991.5789.385623 安卓版
v3.957.3694.11482 安卓免費版
v2.751.918 PC版
v7.661.2612.106442 最新版
v4.823.8315.410058 安卓版
v9.409.6645 安卓最新版
v9.929 安卓免費版
v8.321 PC版
v9.261.2739 IOS版
v5.487.4570.776999 IOS版
v4.892 PC版
v2.580 安卓免費版
v3.798.2336.367174 安卓版
v1.235 IOS版
v5.700.8422 PC版
v3.273.4550 IOS版
v7.195.8078 安卓漢化版
v2.438.9303.317661 安卓版
v9.824 最新版
v6.481.2209 IOS版
v9.346.3172.939972 IOS版
v8.196.673.986080 最新版
v1.216.182 安卓免費版
v5.897.1693 安卓最新版
v4.148.1624.943268 安卓漢化版
v3.915 PC版
v4.959 安卓漢化版
v9.535.4911 安卓版
v6.872.2813 IOS版
v6.497.292 安卓漢化版
v5.686.636.915496 安卓版
v3.325.983 PC版
v6.807 安卓免費版
v8.547.1189.963858 最新版
v7.452.2592 IOS版
v5.374.2674.125475 安卓最新版
v5.621.7193.762315 安卓版
v3.661.5908.858429 最新版
v3.530.1489.773583 PC版
v4.471.992.129474 安卓免費版
v7.602.2986 PC版
v7.945.463.991508 安卓版
v2.628.5994.484761 安卓免費版
v7.768 安卓版
v8.266 IOS版
v1.386.4580.700170 安卓最新版
v5.270.9749.125039 安卓最新版
v9.445.9377 安卓最新版
v2.148.9378.408281 安卓版
v5.947 PC版
v9.984.5841.607504 安卓最新版
v3.893.6379.833359 最新版
v2.928 安卓免費版
v8.40.7031 安卓版
v5.516.4952 IOS版
v9.824.8008.218249 最新版
v3.187 IOS版
v4.819.3640 安卓漢化版
v9.9 安卓漢化版
v8.121.509 安卓最新版
v5.162.6576 最新版
v7.791 安卓最新版
v4.378.509.100697 IOS版
v5.711.6221.170597 安卓免費版
v5.355 安卓最新版
v7.26.5544.510831 安卓漢化版
v6.814.8445.305188 安卓最新版
v8.564.7665.12306 IOS版
v3.812.1175 安卓版
v1.608.2909.505498 安卓漢化版
v2.330.567.332977 PC版
v8.542.9265.874833 最新版
v4.454.4822.101472 最新版
v9.0.9791 IOS版
v7.612 安卓版
v2.124.5592.605688 安卓漢化版
v5.861.7938.751620 安卓免費版
v8.513 PC版
17c秘 桃花
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
ehryje.loan 居家自插
免费无码黄色一级大片
久久久久se免费视频1
国产国产人免费人成免费视频下载
42番车游戏下载
欧美日本a级
操人人草
全网毛片免费在线看
一区二区三区乱伦视频
干干人人
欧美日韩视频三区在线网站播放
精品一区在国产在线
搞黄网站永久地址
亚洲天堂在线网站
欧美一级A片手机在线观看视频
综合五月婷婷
亚洲日本网址
碰碰人人操操
精品无码国产日韩制服丝袜
硬插美女视频www网站