Apple 开源 LensVLM-9B 长文档视觉理解模型

Gorden Sun @Gorden_Sun原推发布于 2026.09.23

在 X 上打开原推

Apple开源LensVLM-9B：让长文档视觉理解兼顾低开销与高精度 把文本当图片处理，模型通过先扫描高度压缩的文本图像，再利用学习到的工具按需展开关键页面为完整细节。这种按需解压的机制在大幅缩减长文本视觉上下文占用量的同时，保留了细粒度信息的识别能力。对于需要处理数百页扫描件、合同及超长图文资料的场景，开发者可以在更低的算力成本下完成精准文档问答。 开源的模型基于Qwen3.5-9B微调，不过这个模型没那么重要，重要的是文本当图片处理的思路。 模型：https://t.co/bWg04CXwpD