v5.134.7566 PC版
v1.455.5690 最新版
v9.101.3321.125940 安卓版
v6.309 IOS版
v3.998.8439 IOS版
v1.35.4880.261924 最新版
v3.545.2683.117507 安卓版
v5.487.1862 安卓漢化版
v3.334 PC版
v1.578.2995.368313 PC版
v7.856.895.574978 安卓免費版
v8.570.6578 IOS版
v6.350 最新版
v5.92 安卓漢化版
v7.933 最新版
v5.748.3282.485609 PC版
v3.455.5674 IOS版
v8.142.9391.247426 IOS版
v7.449 最新版
v2.183.9489.864913 最新版
v7.529.9565.931549 PC版
v1.933.4952.830480 安卓免費版
v5.918 最新版
v8.216.8412.27620 安卓免費版
v8.634.2412 安卓漢化版
v9.150.7991 安卓最新版
v7.402.3284.103870 IOS版
v5.941.6830 IOS版
v3.654.3772 安卓版
v1.812.7231.74151 IOS版
v3.691.4309.403486 安卓免費版
v2.825 安卓漢化版
v7.8 IOS版
v8.472.6330 IOS版
v6.759.7558 IOS版
v4.478.952.981781 最新版
v7.467.7923.604760 最新版
v6.310.6002 IOS版
v4.243.541 安卓漢化版
v2.790 IOS版
v8.799.5433.426874 最新版
v8.778 最新版
v2.950.4856.672487 安卓版
v2.856 安卓版
v5.838.1462.767493 安卓最新版
v4.985 PC版
v5.392 安卓最新版
v4.442.5403 安卓漢化版
v9.193.373.41000 IOS版
v4.975.7232.91937 安卓漢化版
v7.943.2844.322382 最新版
v2.532.2629.172475 安卓最新版
v3.839.5500 PC版
v5.958.5906 安卓版
v5.630 安卓最新版
v7.551.3813.795483 IOS版
v6.562 安卓免費版
v2.393.1533.41083 最新版
v4.915.7360.733424 安卓漢化版
v5.219.1022 最新版
v4.908.9705 安卓版
v5.161.6242.391699 安卓免費版
v6.964.9544.753895 安卓版
v1.972.8563 安卓版
v9.652.9040.813254 安卓免費版
v9.705.4558.425011 安卓版
v4.887 安卓免費版
v2.323 最新版
v8.291.4972.122216 安卓免費版
v8.71.4389.241941 最新版
v3.679.4813.611725 安卓版
v2.519 安卓免費版
v2.183.2586 安卓免費版
v7.292.9351 安卓漢化版
v2.359.3226 IOS版
v4.258.6013.598667 PC版
v5.219.4705 安卓最新版
v1.766.5455.633399 安卓版
v1.931.4471 安卓最新版
v2.389.5109.519421 安卓版
❌❌❌❌学生XXXX69动漫
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
91浏览在线观看
MOMO浏览器色版
黑料网网址
加勒比久久综合
少妇自慰福利
美美女的bbb
白丝甘雨开腿 羞羞
欧性爱综合
性裸交 人妖
黄片视频免费区
甘雨裸体 开腿羞羞网站视频
曰大BBB
二级片网站
家庭性爱视频
中文字幕乱码在线伦视频
中国3p自拍