v2.211.8234.10764 安卓最新版
v1.525 安卓漢化版
v2.202.6887 安卓版
v9.27 PC版
v1.101.511 安卓免費版
v4.154 IOS版
v7.902 安卓最新版
v6.442.4915.541542 安卓免費版
v9.940 PC版
v3.681.5120.723449 IOS版
v5.511.8755 PC版
v1.51.9106.613584 IOS版
v3.482.6848.149890 PC版
v6.863 安卓免費版
v1.383 IOS版
v5.148.4906 安卓免費版
v4.850 安卓漢化版
v9.932.6090.971391 安卓免費版
v7.137.6089 最新版
v4.596 安卓最新版
v5.699.3934.252661 IOS版
v4.211 最新版
v4.611.7836.685900 安卓免費版
v2.497.8317 IOS版
v4.600 安卓最新版
v3.568.8519.212555 最新版
v8.654.9388 IOS版
v3.926.1016.458460 最新版
v6.253.7559.508396 最新版
v1.33.4477.701461 安卓最新版
v1.413.9944 安卓最新版
v5.848 安卓漢化版
v7.204.569.634617 PC版
v2.816.4019.73132 IOS版
v8.54.9102.580798 安卓漢化版
v9.92.5044 IOS版
v6.333 安卓免費版
v5.939.2504.461896 安卓最新版
v7.375.2798.556177 IOS版
v7.187.6515.368488 安卓最新版
v2.431 安卓免費版
v5.622 PC版
v3.572.6895 安卓免費版
v6.735.1298.288819 安卓免費版
v6.560.7415.72135 最新版
v5.191.9058.165017 PC版
v1.918.7281 PC版
v3.680 安卓漢化版
v9.385 IOS版
v9.321.2586.602415 PC版
v4.373.4359.241631 最新版
v2.862.512 安卓版
v9.958.7281.166784 IOS版
v6.851.1941 安卓免費版
v9.419.8106 安卓版
v9.132.3139 安卓免費版
v8.247.5826 安卓漢化版
v3.301.5771.720306 安卓最新版
v6.611.255.71239 安卓免費版
v6.284.867.208283 安卓漢化版
v3.672.3453.86437 IOS版
v7.309.8132 IOS版
v9.677.7020.281192 安卓漢化版
v2.783.8860.831423 安卓免費版
v1.139.4547 PC版
v4.150.1588.448777 PC版
v5.659.6082.874971 安卓最新版
v6.337 安卓版
v7.225.6222.508857 PC版
v5.675.252 IOS版
v7.960.5266 安卓漢化版
v1.733 安卓漢化版
v5.235.9312.150988 安卓漢化版
v3.841.9097.67184 安卓版
v9.474.251.188473 安卓漢化版
v2.316.3166.261745 安卓免費版
v8.178.7966 安卓免費版
v2.940.7352 安卓漢化版
v2.859 安卓免費版
v6.267.2067.402559 IOS版
馃悢馃悢馃悢馃崙
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
艾玛沃特森的胸罩和胸襟标志
看黄视频网站
久久Av免费无码久久木
沙奈朵脱了内裤打开腿让人躁动漫
黄漫91
狂插乱操视频
一级女人自慰毛片三十分钟
在线看a电影
国产美女高潮视频一区
小南爆乳被 秘
七七视频网页版再找观看入口
久色一区
久久 这里只精品 免费
鬼色欧美A片视频
美女口交
又粗又猛又黄又爽无遮挡涩爱
久久久久亚洲综合福利入口
精品久久人人玩人人操
黄页免费观看免费
国厂精品一区XXX
91G黄色视频
黄色色AV
官方黄色网站
3D宁荣荣被 到爽动漫
亚洲无码一页