Folia
← 返回头版

Apple发布LensVLM-9B视觉语言模型

Apple推出了LensVLM-9B,这是一个基于Qwen3.5-9B-Base的90亿参数视觉语言模型12。该模型通过扫描压缩图像并选择性地扩展相关部分,使视觉语言模型能够在处理压缩文本图像时保持高精度1。在4.3倍有效压缩率下,LensVLM的精度与完整文本基准相当1,相比基线最高提升10.1倍有效压缩1。该模型支持5x、10x、15x三种压缩选项2,在七个文本QA基准任务上的性能超越检索和压缩基线,应用范围涵盖文本QA、多模态文档理解和代码理解等领域1。

LensVLM-9B已在Hugging Face开源2,并提供了多种推理框架的使用方法,包括Transformers、vLLM和SGLang2。代码仓库地址为https://github.com/apple-aiml-research/ml-lensvlm[2](#source-2)。相关研究论文《LensVLM: Selective Context Expansion for Compressed Visual Representation of Text》已发布在arXiv(编号2605.07019)12。


评论