v3.814.5452.471331 安卓免費版
v4.243 安卓免費版
v3.692 安卓漢化版
v9.905.5597.252634 安卓漢化版
v4.850 最新版
v2.142 最新版
v4.165.8834 PC版
v7.889 安卓最新版
v2.582.7611.348615 PC版
v8.932.9546 安卓漢化版
v3.659.3394.798880 最新版
v4.850.8217 安卓漢化版
v2.815 安卓漢化版
v8.373.5973 安卓漢化版
v7.452.8134.47953 安卓免費版
v7.244.7907 最新版
v3.609.160 PC版
v7.266.8130.468725 安卓最新版
v8.264.9647.238377 安卓版
v4.921.5446.391235 IOS版
v3.732.4717.27450 安卓免費版
v8.988 PC版
v5.413.1248.329948 安卓漢化版
v6.414.7881.727176 IOS版
v4.173 安卓最新版
v6.424.3445.805590 安卓最新版
v1.647 安卓版
v3.673 安卓免費版
v6.802.8724.137062 安卓漢化版
v7.593.6641 PC版
v6.729.2524.4560 最新版
v6.823.252.179040 最新版
v3.599.7194 PC版
v8.894.2373 最新版
v2.843.4226.971063 安卓免費版
v8.224.7821 安卓免費版
v8.804.7705.703593 安卓漢化版
v4.859 安卓最新版
v4.129.8229.719045 安卓免費版
v3.888 安卓版
v8.564.2548 安卓最新版
v8.931.2910.969258 PC版
v4.776.2607 PC版
v9.514 PC版
v2.968 安卓最新版
v4.115.6188.968430 安卓漢化版
v5.18.739 最新版
v9.500 最新版
v7.927.1518 安卓版
v2.993.3698.529081 安卓版
v5.142.8619 最新版
v3.864.9345 最新版
v7.113.2163.891924 最新版
v8.65.9779.500378 最新版
v9.800.4381.581050 安卓版
v1.540 安卓漢化版
v8.223.1650 安卓免費版
v8.964.5986.22571 最新版
v6.565.7650.32124 安卓最新版
v1.118.8928.952766 PC版
v1.929.8299 安卓免費版
v2.761.7201 PC版
v6.470.1660.647959 安卓最新版
v9.601 安卓免費版
v5.982.9152.854042 安卓版
v5.445.6552.505149 最新版
v6.948 安卓漢化版
v4.472 最新版
v6.210.2418.144738 最新版
v2.203.3801.112793 安卓版
v3.82 IOS版
v3.59.1116.23145 IOS版
v1.734.883.752520 安卓漢化版
v2.589.6627.888115 IOS版
v9.355.7223.308643 IOS版
v2.178.7462 最新版
v7.948.1938.847889 安卓最新版
v4.285.1200.857276 安卓版
v2.101.3814.603011 PC版
v5.929.7403 最新版
欧美 日韩 一区二区
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
樱花草视频在线观看高清免费资源
无人区产品一品二品一
欧美老头logo大全
日韩欧美黄色电影网站
色视频二区日本欧美
国产高清一级黄色网站
把腿扒开臊烂你就不疼了
亚洲人成网站在线在线观看国产
星穹铁道18花火漫画免费观看
欧美熟女1区
在线看黄网页
日韩视频一区在线
91精品专区国产在线高清国产大片
色色色色色综合网站
一同看彩虹小蓝2023破解版
久
国产在线精品福利网址
91成品人视频入口免费观看
欧美激情aⅴ变态另类第十页
国产美女在线麻豆精品
欧美A全一级黄色视
欧美一级牲生活片免费观看
玖玖在线精品视频
v本a道欧美
王多鱼打扑克视频在线观看高清免费
新赏网在线一区二区
欧美综合在线视频观看
老太做爰 视频免费观看
jm2.0天堂安装包1.7.6
日韩AAAAA黄色网
何丽萍改版1-7顺序
美女裸体 开腿羞羞吞精照片
国产乱老熟视频乱老熟女1
成年人小电影网站
全黄毛片
九色视频国产色系视频在线观看