Apple 放出 LensVLM-9B：把文本压成图片读，再按需把相关页展开回原样
Apple 在 Hugging Face 公开 LensVLM-9B 权重，仓库创建时间 9 月 21 日。它的思路是把文本渲染成图片交给视觉编码器读，从而绕开把文本切成超长 token 序列这一步；因为图像编码器把固定尺寸的图映射成固定数量的视觉 token，渲染分辨率就成了一个细粒度的压缩旋钮。
但压缩一深，精度就掉，字符会缩到视觉上无法分辨。LensVLM 的办法是配一套「学习到的工具」：先扫描压缩后的文本页，再只把相关页展开成未压缩形式。模型基于 Qwen3.5-9B，提供 5×、10×、15× 三档压缩选项，配套代码单独在 apple-aiml-research/ml-lensvlm 放出，权重使用 Apple AMLR 许可证。
它改变了什么：长上下文这条线上，主流做法是在 token 层面压缩或检索，LensVLM 换了个载体——先把上下文降成像素，再按问题把需要的那部分还原回来。代价是这是一条单向的读取路径：模型必须先「看」压缩图，才能决定展开哪一页。
核验记录
日期取自 HF 权重仓 createdAt 2026-09-21T18:18:20Z（lastModified 2026-09-22，likes 13）。未见官方新闻稿：machinelearning.apple.com 的 /research/lensvlm 与 /research/lensvlm-selective-context-expansion 均 404，Apple ML 的 RSS 近 10 条不含该条；论文 arXiv 2605.07019 首版为 2026-05-07，故 9/21 是权重公开日、不是论文日。按 R21 定日，置信度中高。配图取该页 og:image，裸/Referer 双测 200 image/png。
← 上一篇诺基亚开源 AnyJev：不微调任何开源 LLM，也能拿到可校准的决策下一篇 →MIT 科技评论首份边境监控死亡地图：2015 年以来 1,050 人死在监控塔射程内，其中 110 人死在 Anduril 自主塔下