DeepSeek-OCR 的視覺文本壓縮（VTC）技術(shù)通過將文本編碼為視覺 Token，實現(xiàn)高達 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？中科院自動化所等推出 VTCBench 基準測試，評估模型在視覺空間中的認知極限，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。

這一突破性進展讓大模型處理超長文本的成本大幅降低，但也拋出了一個核心問題：當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，來自中科院自動化所、中國科學(xué)院香港創(chuàng)新研究院等機構(gòu)的研究團隊推出了首個專門針對視覺 - 文本壓縮范式的基準測試 ——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)可實現(xiàn) 2 倍至 10 倍的 Token 壓縮率，顯著降低了長文本處理時的計算與顯存開銷。

VTCBench 現(xiàn)已在 GitHub 和 Huggingface 全面開源，其衍生版本 VTCBench-Wild 是一個統(tǒng)一的、全方位評估模型在復(fù)雜現(xiàn)實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 識別，但在處理 VTC 壓縮后的高密度信息時，其長文本理解能力仍存疑。

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

1. VTC-Retrieval (信息檢索)：在視覺「大海」中尋找特定事實的「針」（Needle-in-a-Haystack），測試模型對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，超越單純的詞匯檢索；
3. VTC-Memory (長期記憶)：模擬超長對話，評估模型在視覺壓縮框架下，抵御時間與結(jié)構(gòu)性信息衰減的能力。

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

揭秘視覺壓縮背后的認知瓶頸

圖 2：VTCBench 針對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（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）能夠精準捕捉開頭和結(jié)尾的信息，但對于中間部分的事實，理解能力會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 GPT、Gemini、Claude、QwenVL、InternVL、Gemma、KimiVL、Seed1.5 等 10 余種尖端模型的深度評測，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)仍顯著弱于純文本 LLM；

消融實驗證明，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，證明了 VTC 是實現(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，依然能夠讀懂字里行間的微言大義。