v7.298.321.640911 安卓版
v7.233.7000.999730 安卓版
v3.5.3349 安卓漢化版
v3.413 PC版
v7.654.8956.783410 最新版
v2.279.6939 IOS版
v4.945.5147.479871 最新版
v9.628.2956.692862 安卓免費版
v7.372.8108 安卓版
v5.905 安卓漢化版
v9.144.2134 安卓版
v9.242.4487.526093 安卓最新版
v3.353.109.107235 安卓漢化版
v1.647 安卓漢化版
v5.305.7593.379985 PC版
v8.484.9978 安卓最新版
v6.243.8907.313582 安卓版
v1.482.8497 安卓免費版
v4.733.7574.83376 PC版
v9.972.5059.48701 最新版
v6.692.615 安卓漢化版
v8.553.570.351649 最新版
v7.541.5311.851923 安卓免費版
v3.313 安卓版
v1.830.2457 IOS版
v6.826.7401 最新版
v1.790 安卓版
v3.475.2725 PC版
v7.929 安卓版
v9.232.9414 安卓免費版
v3.155.3171.856134 安卓版
v3.583 最新版
v6.271.964.188186 安卓最新版
v7.627 最新版
v8.404.9501.468039 安卓免費版
v6.56.7728.537341 最新版
v7.851 安卓版
v6.784.8473 安卓漢化版
v7.468.6898.682335 安卓漢化版
v7.536.6603.278850 安卓版
v4.13.248.888653 IOS版
v5.956.2850 安卓免費版
v2.557.9928.541967 安卓最新版
v2.117.3302.138892 安卓最新版
v4.205.4844.101499 PC版
v9.136.7399 PC版
v4.151.5118.789650 最新版
v4.816.3625 安卓漢化版
v8.774 安卓漢化版
v9.307.1059.270995 安卓漢化版
v4.231.1838.105061 安卓漢化版
v3.762.5819.661355 安卓免費版
v1.498 安卓版
v1.956.2735.200207 安卓免費版
v2.494.9951 安卓免費版
v8.786.4888.217387 PC版
v8.51.6962 最新版
v1.180.8071 安卓免費版
v1.908.338.445336 IOS版
v3.572.4884 安卓漢化版
v3.625.5123.411874 安卓版
v6.878.4098 安卓版
v3.557 最新版
v2.839 安卓最新版
v4.665.4653 安卓漢化版
v1.471.830.238900 安卓漢化版
v7.214.9856 安卓最新版
v5.951.6527 最新版
v9.135 最新版
v3.272.8179 安卓最新版
v4.479.4185.828580 安卓版
v9.838.2636 安卓版
v8.642 IOS版
v3.106 IOS版
v3.992.4352.775862 安卓版
v9.364.6760.533632 安卓最新版
v1.160.7638.430009 PC版
v3.373.2689.395316 安卓漢化版
v1.819.352.38938 IOS版
v6.603.2056.102373 安卓最新版
馃崒馃崙馃崋馃崙馃敒
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
巴巴塔被扒开腿做 同人网站
李恩美大战黑人
猛男GayGay 免费观看网站
先锋资源每日
在线观看视频色哟
涩涩网站推荐
色九九九黄片
岛国一级精品视频在线观看
日本色情在线中文字幕av
国产吹潮
影音先锋每日欧美资源站
免费极品视频
男女操屄视频
人人操人人插人人摸人人干
免费黄色网站AA片A
日本黄色视频在线看网站
毛片基站
538精品免费视频
直入
欧美拳交视频
国产黄色aaaaa级黄色网站
喜欢爷俩一起弄我
日本男添女逼性爱毛片
戴着自慰器上班被老板强了