v7.145.2042 IOS版
v5.996.1550.266593 IOS版
v3.982.1752 IOS版
v6.726.7535 IOS版
v9.607 PC版
v8.310.1908.555710 PC版
v9.207.7887.806469 安卓版
v7.943 PC版
v9.474 安卓免費版
v3.927.3249 安卓漢化版
v3.905.3076.964892 PC版
v3.534.5412.546009 安卓漢化版
v3.319.9718 最新版
v2.239.3680.89496 PC版
v7.457 安卓版
v8.481.936.329209 最新版
v7.476.6622 安卓版
v1.299.675 安卓免費版
v5.225.9823.914564 安卓最新版
v7.285.5637.44330 安卓免費版
v1.795.3694.330000 最新版
v1.688 安卓漢化版
v2.514.86.316295 最新版
v6.398 安卓免費版
v8.382 PC版
v6.949.2174.969680 IOS版
v9.452.1689 IOS版
v9.482 最新版
v5.971.4937.502765 最新版
v3.496.9298.736116 安卓漢化版
v4.246 IOS版
v8.505 安卓免費版
v2.172.7870.534427 最新版
v1.503.9335.836284 安卓版
v5.536.9789.754989 安卓免費版
v3.122 PC版
v9.766.4767.802017 安卓版
v5.969.6110 IOS版
v4.608 安卓版
v2.670.6594.304429 安卓漢化版
v7.25.723.840326 安卓免費版
v6.966 PC版
v8.926.9320 安卓最新版
v5.935 安卓漢化版
v6.319.6043 IOS版
v3.20.5950 PC版
v6.415.8722.270927 安卓版
v5.501.3728.127229 最新版
v2.415.4242.761386 安卓版
v1.92 安卓免費版
v2.544.4026.671849 IOS版
v4.77.7512.233638 安卓最新版
v9.857.322.543759 IOS版
v5.781.4761.641480 最新版
v9.960.571.752676 安卓漢化版
v8.750.562 安卓最新版
v6.95.6917.88176 安卓版
v8.896.6393 安卓免費版
v3.503.4935.834615 安卓漢化版
v9.340.2477 PC版
v1.362 IOS版
v6.349.8532 PC版
v2.799.3913.657968 安卓免費版
v9.203.8078.61297 安卓版
v2.989.5217.477422 PC版
v4.880.2004.243235 PC版
v2.191.7874.324663 安卓漢化版
v4.862.9081.540788 IOS版
v4.893 最新版
v8.238.3234.985046 PC版
v9.248.9786.843458 安卓漢化版
v5.580 安卓漢化版
v4.639.9867.422098 安卓漢化版
v8.579 安卓最新版
v6.855.7192.309682 安卓最新版
v6.921.2426.690962 最新版
v9.467.8905.653526 安卓最新版
v6.469.8117.772831 安卓漢化版
v8.507.6181.555992 安卓漢化版
v4.768 安卓最新版
玖玖日在线视频
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
九草超碰在线
人人看人人插人人射
com.520A片
www.黄色视频操
97人人操人人操
一区二区毛片网站
黄色日逼视频网战免费观看
17c..com
999A片
欧美情欲
国产污片在线观看视频
午夜大屌影院
久久黄色欧美
国内牛人偷窥美女嘘嘘视频
亚洲人妻网页
国产性片
11分钟9位美女撒尿视频
蔚蓝档案无遮挡 本子
18 视频 蘑菇视频
进 里 游戏
欧美区一区