新智元報(bào)道

編輯：LRST

【新智元導(dǎo)讀】DeepSeek-OCR的視覺文本壓縮（VTC）技術(shù)通過將文本編碼為視覺Token，實(shí)現(xiàn)高達(dá)10倍的壓縮率，大幅降低大模型處理長文本的成本。但是，視覺語言模型能否理解壓縮后的高密度信息？中科院自動(dòng)化所等推出VTCBench基準(zhǔn)測試，評(píng)估模型在視覺空間中的認(rèn)知極限，包括信息檢索、關(guān)聯(lián)推理和長期記憶三大任務(wù)。

近期，DeepSeek-OCR憑借其創(chuàng)新的「視覺文本壓縮」（Vision-Text Compression, VTC）范式引發(fā)了技術(shù)圈的高度關(guān)注，以極少的視覺Token實(shí)現(xiàn)高效的文本信息編碼，為長文本處理開辟了新路徑。

這一突破性進(jìn)展讓大模型處理超長文檔的成本大幅降低，但也拋出了一個(gè)核心問題：當(dāng)長文本被高度壓縮為2D圖像后，視覺語言模型（VLM）真的能理解其中的內(nèi)容嗎？

為了解答這一疑問，來自中科院自動(dòng)化所、中國科學(xué)院香港創(chuàng)新研究院等機(jī)構(gòu)的研究團(tuán)隊(duì)推出了首個(gè)專門針對(duì)視覺-文本壓縮范式的基準(zhǔn)測試——VTCBench。

論文鏈接：https://arxiv.org/abs/2512.15649

VTCBench鏈接: https://github.com/Moenupa/VTCBench

VLMEvalKit鏈接：https://github.com/bjzhb666/VLMEvalKit

Huggingface鏈接: https://huggingface.co/datasets/MLLM-CL/VTCBench

圖 1：視覺-文本壓縮 (VTC) 流程演示及VTCBench

與傳統(tǒng)大模型直接讀取成千上萬的純文本Token不同，VTC范式（如DeepSeek-OCR）先將長文檔渲染 （Rendering）為高密度的2D圖像，再由視覺編碼器轉(zhuǎn)化為少量的視覺Token。

該技術(shù)可實(shí)現(xiàn)2倍至10倍的Token壓縮率，顯著降低了長文本處理時(shí)的計(jì)算與顯存開銷。

VTCBench現(xiàn)已在GitHub和Huggingface全面開源，其衍生版本VTCBench-Wild是一個(gè)統(tǒng)一的、全方位評(píng)估模型在復(fù)雜現(xiàn)實(shí)場景下視覺文本壓縮的魯棒性，現(xiàn)已集成到VLMevalkit。

核心使命

衡量「看得見」之后的「看得懂」

目前的VLM也許能出色地完成OCR識(shí)別，但在處理 VTC 壓縮后的高密度信息時(shí)，其長文本理解能力仍存疑。

VTCBench通過三大任務(wù)，系統(tǒng)性地評(píng)估模型在視覺空間中的認(rèn)知極限：

1.VTC-Retrieval (信息檢索)：在視覺「大?！怪袑ふ姨囟ㄊ聦?shí)的「針」（Needle-in-a-Haystack），測試模型對(duì)空間分布信息的捕捉能力。

2.VTC-Reasoning (關(guān)聯(lián)推理)：挑戰(zhàn)模型在幾乎沒有文本重疊的情況下，通過關(guān)聯(lián)推理尋找事實(shí)，超越單純的詞匯檢索。

3.VTC-Memory (長期記憶)：模擬超長對(duì)話，評(píng)估模型在視覺壓縮框架下，抵御時(shí)間與結(jié)構(gòu)性信息衰減的能力。

此外，團(tuán)隊(duì)同步推出了VTCBench-Wild，引入 99 種不同的渲染配置（涵蓋多種字體、字號(hào)、行高及背景），全方位檢測模型在復(fù)雜現(xiàn)實(shí)場景下的魯棒性。

揭秘視覺壓縮背后的認(rèn)知瓶頸

圖 2：VTCBench針對(duì)模型在長圖像中檢索信息的熱力圖。橫軸代表上下文長度，縱軸代表關(guān)鍵事實(shí)（Needle）在文檔中的深度。展現(xiàn)了模型表現(xiàn)的「迷失」與突破。

測試結(jié)果呈現(xiàn)出顯著的「U 型曲線」：與文本模型類似，視覺語言模型（VLM）能夠精準(zhǔn)捕捉開頭和結(jié)尾的信息，但對(duì)于中間部分的事實(shí)，理解能力會(huì)隨著文檔變長而劇烈衰退。這證明了即使在視覺空間，模型依然存在嚴(yán)重的「空間注意力偏見」，是未來 VTC 架構(gòu)優(yōu)化的關(guān)鍵方向。

行業(yè)洞察

視覺壓縮是長文本的終局嗎？

通過對(duì)GPT、Gemini、Claude、QwenVL、InternVL、Gemma、KimiVL、Seed1.5等10余種尖端模型的深度評(píng)測，可以發(fā)現(xiàn)：

雖然VTC極大提升了效率，但現(xiàn)有VLM在復(fù)雜推理和記憶任務(wù)上的表現(xiàn)仍普遍弱于純文本LLM；

消融實(shí)驗(yàn)證明，信息密度是決定模型性能的關(guān)鍵因素，直接影響視覺編碼器的識(shí)別精度；

Gemini-3-Pro在VTCBench-Wild上表現(xiàn)驚艷，其視覺理解能力已幾乎追平其純文本基準(zhǔn)，證明了VTC是實(shí)現(xiàn)大規(guī)模長文本處理的極其可行的路徑！

總結(jié)

如果說傳統(tǒng)的長文本處理是「逐字閱讀」，那么DeepSeek-OCR所引領(lǐng)的VTC范式就是「過目成誦」的攝影式記憶。VTCBench的出現(xiàn)，正是為了確保模型在擁有這種「超能力」的同時(shí)，依然能夠讀懂字里行間的微言大義。

參考資料：

https://arxiv.org/abs/2512.15649

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！