v5.453.928.578112 IOS版
v8.545.9313.635322 安卓最新版
v6.412.9468 PC版
v8.970 最新版
v6.196.1264.722149 安卓版
v7.460.2575.198004 安卓版
v1.760.2812 最新版
v5.761.4126 安卓最新版
v9.979.7565 安卓漢化版
v2.637 最新版
v7.16.2986.143278 安卓版
v9.453.26.169228 安卓版
v8.618.789 安卓漢化版
v1.733.457.195099 IOS版
v3.932 IOS版
v1.428.8227 最新版
v4.77.8155 安卓最新版
v4.422.7624.90089 PC版
v1.742.245.907116 安卓版
v6.971.7704 安卓漢化版
v2.369 IOS版
v2.797 安卓最新版
v3.989.4491 最新版
v7.238.5863 安卓免費版
v7.946.3260 安卓免費版
v8.273.4549.980518 PC版
v5.307.5067 安卓版
v2.337.7614.974384 安卓免費版
v8.987.1300 PC版
v1.634.5689 安卓免費版
v3.241.1171.827719 安卓最新版
v9.199.4728 PC版
v6.445.6603.29344 安卓版
v8.141 安卓漢化版
v6.65.8554 安卓漢化版
v3.125.8061.786020 安卓最新版
v2.556 安卓最新版
v6.837 IOS版
v6.707 PC版
v8.230.7328.436132 安卓免費版
v5.52 安卓版
v2.495.1966.825195 安卓最新版
v4.373.3912.928227 IOS版
v8.995.4050 IOS版
v8.609.7878.625542 IOS版
v6.587.1251.78394 安卓最新版
v7.244.34.77746 安卓免費版
v9.193.6709 安卓版
v6.248.7268.271550 安卓免費版
v9.212.9272.639271 安卓免費版
v8.273.8069.358923 安卓版
v1.610.4298.132319 IOS版
v9.481.8834.98839 安卓最新版
v2.403.3190.859519 安卓最新版
v6.661.8518 最新版
v3.546 安卓免費版
v1.168.2848 安卓免費版
v8.171.5284.814223 安卓版
v9.723.5597.921127 IOS版
v5.550.6140.780969 PC版
v7.283 安卓最新版
v9.76.6316.896347 最新版
v7.285.2862.896527 最新版
v7.497.9941.778325 安卓最新版
v7.459.5625 PC版
v7.464.2960.6073 IOS版
v9.352 PC版
v4.372.228 安卓免費版
v8.657.9808 PC版
v5.972.1636 安卓免費版
v3.89 IOS版
v9.616.569.874131 安卓免費版
v2.268 安卓版
v7.576.9884.784212 IOS版
v1.903.9539.774888 安卓漢化版
v9.136.6760 安卓版
v8.309.3313.679276 安卓免費版
v1.430.8332 PC版
v7.205.4519.694466 安卓最新版
v9.391 安卓版
国产精品久久久久首页
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
97日韩精品
白丝班长趴下让我C了一节课
原神黄污本子
中国男人插继女阴部视频
3D蒂法婬乱爆乳H在线
mm1313
亚洲一级Av无码毛片无卡
女优先锋影音
夸克美女动漫广告
男人的天堂在线日韩视频
成年人黄污视频网站
欧美射网
日韩人妻一区毛片
亚洲精品456推荐在线
亚州老女人
美女把腿张开被弄到高潮
欧美一级操逼免费看
废柴视频网fccw93最新版
胡桃 到爽 高潮痉挛视频
精品国产综合二区亚洲
妊娠9ヶ月の人妻孕妇片子
刻晴被 到爽 高潮游戏