DeepSeek-OCR长文本理解分析，中科院新基准揭示技术方向
新智元报道
编辑：LRST
【新智元导读】DeepSeek-OCR的视觉文本压缩（VTC）技术，能够通过将文本编码为视觉Token，实现高达10倍的压缩率，大幅降低大模型处理长文本的成本。然而，视觉语言模型能否真正理解压缩后的高密度信息？中国科学院自动化所等机构推出了VTCBench基准测试，旨在评估模型在视觉空间中的认知极限，涵盖了信息检索、关联推理和长期记忆三大核心任务。
近期，凭借其创新的“视觉文本压缩”（Vision-Text Compression，VTC）范式，DeepSeek-OCR引发了技术圈的广泛关注。这一范式以极少的视觉Token便实现了高效的文本信息编码，为长文本处理开辟了全新的技术路径。
这一突破性进展让大模型处理超长文档的成本大幅降低，但同时也引出了一个深层次的疑问：当长文本被高度压缩为二维图像后，视觉语言模型（VLM）真的能准确理解其中蕴含的内容吗？
为了探究这一问题，来自中国科学院自动化所、中国香港科学院创新研究院等机构的研究团队，联合推出了首个专门针对视觉-文本压缩范式的基准测试——VTCBench。
论文链接：https://arxiv.org/abs/2512.15649
VTCBench链接： https://github.com/Moenupa/VTCBench
VLMEvalKit链接：https://github.com/bjzhb666/VLMEvalKit
Huggingface链接： https://huggingface.co/datasets/MLLM-CL/VTCBench
图 1：视觉-文本压缩 (VTC) 流程演示及VTCBench
与传统的纯文本处理方式不同，VTC范式（如DeepSeek-OCR）会先将长文档渲染（Rendering）为高密度的二维图像，再由视觉编码器将其转化为少量的视觉Token。这一技术能实现2到10倍的Token压缩率，显著降低了长文本处理时的计算与显存开销。
目前，VTCBench已在GitHub和Huggingface全面开源。其衍生版本VTCBench-Wild作为一个统一的、全方位评估模型在复杂现实场景下视觉文本压缩鲁棒性的工具，现已集成到VLMevalkit中。
核心使命
衡量“看得见”之后的“看得懂”
当前的VLM或许能出色地完成OCR识别任务，但在处理经过VTC压缩后的高密度信息时，其对长文本的深度理解能力仍有待验证。
VTCBench通过三大任务，系统性评估模型在视觉空间中的认知极限：
1. VTC-Retrieval (信息检索)：在视觉“大海”中精准寻找特定事实的“针”（Needle-in-a-Haystack），检验模型对空间分布信息的捕捉能力。
2. VTC-Reasoning (关联推理)：挑战模型在几乎没有文本重叠的情况下，通过上下文关联推理寻找事实，超越简单的词汇索引。
3. VTC-Memory (长期记忆)：模拟超长对话场景，评估模型在视觉压缩框架下，抵御时间与结构性信息衰减的能力。
此外，团队同步推出了VTCBench-Wild，引入了99种不同的渲染配置（涵盖多种字体、字号、行高及背景），全方位检测模型在复杂现实场景下的鲁棒性。
揭秘视觉压缩背后的认知瓶颈
图 2：VTCBench针对模型在长图像中检索信息的热力图。横轴代表上下文长度，纵轴代表关键事实（Needle）在文档中的深度。展现了模型表现的“迷失”与“突破”。
测试结果呈现出显著的“U型曲线”现象：与纯文本模型类似，视觉语言模型（VLM）能够精准捕捉开头和结尾的信息，但对于中间部分的事实，其理解能力会随着文档变长而剧烈衰退。这证明即使在视觉空间，模型依然存在严重的“空间注意力偏见”，这将是未来VTC架构优化需要攻克的关键方向。
行业洞察
视觉压缩是长文本的终极答案吗？
通过对GPT、Gemini、Claude、QwenVL、InternVL、Gemma、KimiVL、Seed1.5等十余种顶尖模型的深度评测，我们可以发现：
尽管VTC极大提升了效率，但现有VLM在复杂推理和记忆任务上的表现仍普遍弱于纯文本大模型；
消融实验证明，信息密度是决定模型性能的关键因素，直接影响视觉编码器的识别精度；
Gemini-3-Pro在VTCBench-Wild上表现惊艳，其视觉理解能力已几乎追平其纯文本基准，证明了VTC是实现大规模长文本处理的极其可行的路径！
总结
如果说传统的长文本处理是“逐字阅读”，那么DeepSeek-OCR所引领的VTC范式便是“过目成诵”式的摄影记忆。VTCBench的出现，正是为了确保模型在拥有这种“超能力”的同时，依然能够读懂字里行间的微言大义。
参考资料：
https://arxiv.org/abs/2512.15649
秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！
相关攻略
需求人群 如果你正寻找一个能精准处理文档、提取关键信息的工具，那么Pixl OCR Solution API的定位就非常清晰了。它主要服务于那些日常与大量文档打交道的场景，比如从各类表单、报告中自动提取数据，构建系统化的文档管理体系，或者需要在海量资料中快速检索目标信息。本质上，它是为提升信息数字化
OCR Space是什么 简单来说，OCR Space就是一个在线的“智能扫描仪”。它由a9t9 software GmbH开发，核心能力是光学字符识别（OCR），专门帮你把扫描件或手机拍的文件照片，“变”成可以直接复制、编辑的文字。整个过程在线上完成，不仅免费，还不用注册就能用。对于手头有一堆纸质
西风 发自 凹非寺量子位 | 公众号 QbitAIGitHub OCR项目之王刚刚历史性易主。诞生近40年、统治OCR领域的技术标杆Tesseract OCR，被中国开源拉下王座——百度文心衍生模型
这项由百度千帆团队主导的研究发表于2026年3月17日的arXiv预印本平台（论文编号：arXiv:2603 13398v1），该研究推出了一个名为Qianfan-OCR的革命性文档智能模型，这个拥
2月12消息，上海人工智能实验室 OpenDataLab 团队、 DeepLink 团队及国产芯片厂家携手，于日前先后完成了昇腾、平头哥、沐曦、海光、燧原、摩尔线程、天数智芯、寒武纪、昆仑芯、太初元
热门专题
热门推荐
钉钉文档官网 在探讨企业级协同办公解决方案时，钉钉文档无疑是备受瞩目的核心工具之一。作为阿里巴巴钉钉官方推出的旗舰级应用套件，它深度融合了在线文档编辑、智能表格、思维导图等多种高效创作工具。其核心优势在于与钉钉平台生态的无缝衔接，能够直接同步企业内部组织架构与通讯录，实现团队成员间的即时协作与信息流
在数字化转型浪潮中，高效、易用的数据分析工具已成为企业提升决策效率的关键。商汤科技推出的“办公小浣熊”智能助手，正是基于自研大语言模型打造的一款创新产品，旨在彻底降低数据分析的技术门槛。用户无需掌握编程知识或复杂操作，即可通过自然对话完成从数据查询、处理到可视化洞察的全流程，让数据价值触手可及。 办
在人工智能技术快速发展的今天，MiniMax作为一家专注于全栈自研的AI公司，正以其独特的技术路径和前瞻性的布局，在业界脱颖而出。公司致力于构建覆盖文本、图像、语音和视频的新一代多模态智能模型矩阵，这不仅体现了对核心底层技术自主权的深度掌控，也展现了对未来人机交互与内容生成形态的前瞻思考。 那么，M
ApolloCreditFund（ACRED）作为连接传统信贷与DeFi的桥梁，其价格受市场情绪、协议基本面及宏观环境影响。其价值逻辑根植于现实世界资产（RWA）的收益捕获与链上流动性释放。短期价格波动难以预测，但长期发展取决于信贷资产质量、协议安全性和市场采用度。投资者需关注其底层资产表现、代币经济模型及整个RWA赛道的发展趋势。
在数字化转型浪潮中，一套能够深度适配业务、彰显品牌特色的智能客服系统，已成为企业提升服务效率与用户体验的关键工具。然而，市场上许多解决方案往往模式固化，难以满足个性化需求。如何让AI客服不仅具备基础的自动化应答能力，更能承载独特的品牌文化与服务哲学？其核心在于系统是否支持深度的自定义与持续的AI训练