arXiv · cs.AI· Roy Xie, Dan Friedman, Donghan Yu, Bowen Pan, Christopher Fifty, Jang-Hyun Kim, Xianzhi Du, Zhe Gan, Vivek Rathod, Bhuwan Dhingra·· 5 小时前
LensVLM通过选择性上下文扩展实现压缩视觉文本表示
LensVLM: Selective Context Expansion for Compressed Visual Representation of Text
arXiv:2605.07019v4阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Roy Xie, Dan Friedman, Donghan Yu, Bowen Pan, Christopher Fifty, Jang-Hyun Kim, Xianzhi Du, Zhe Gan, Vivek Rathod, Bhuwan Dhingra
研究任务与主要进展
LensVLM是一种面向视觉语言模型文本图像压缩的推理框架与后训练方法：模型先扫描压缩图像，再通过学习工具选择性扩展相关图像。基于论文摘要，基于Qwen3.5-9B-Base的LensVLM在7个文本问答基准上以4.3倍有效压缩维持接近全文本上限的准确率，并在最高10.1倍有效压缩下超过检索式、文本压缩和视觉压缩基线；方法还扩展到多模态文档与代码理解任务。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org