DeepSeek-OCR长文本理解分析，中科院新基准揭示技术方向
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
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
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
2月3日，智谱（02513 HK）官微宣布正式发布并开源GLM-OCR。据介绍，作为一款轻量的专业级OCR模型，该模型仅0 9B参数规模，支持vLLM、SGLang和Ollama部署。公司表示，尽管
北京商报讯（记者 陶凤 王天逸）1月28日，优刻得云计算宣布，DeepSeek重磅升级DeepSeek-OCR-2后，优刻得已经完成接入，并限时免费。
热门专题
热门推荐
消息称苹果已放弃翻盖小折叠 iPhone Flip 机型方案 最近科技圈有个传闻值得聊聊。据博主@刹那数码爆料，苹果内部已经放弃了翻盖式小折叠屏手机，也就是常说的iPhone Flip方案。原因挺现实的：内部评估后，大部分人觉得这东西有点“没必要”。 为什么说没必要？核心在于它似乎没能创造出什么“非
能源网络代币（EWT）近期飙升解析：趋势逆转还是技术反弹？ 能源网络代币（Energy Web Token）在经历一轮显著的价格跃升后，重新回到了市场的聚光灯下。这让不少投资者感到好奇：究竟是什么在推动EWT当前的上涨行情？ 从短期动能、放大的交易量到技术层面的突破信号，这场反弹似乎暗示着某种趋势上
2026年全球具身智能TOP10榜单深度解析：从技术路径到商业落地，谁在领跑？ 最近，2026年全球具身智能的TOP10榜单正式出炉，给这个火热的赛道做了一次阶段性的“排位赛”。榜单里有个名字格外醒目——智平方，凭借全栈自研的VLA大模型、近5亿元的工业订单，以及半年内完成7轮融资的强劲势头，稳稳坐
联发科发布多款IoT SoC芯片平台，加码嵌入式与边缘AI市场 近期在德国纽伦堡举办的Embedded World 2026嵌入式展会上，联发科技的动作不小，一口气推出了多款面向物联网（IoT）领域的SoC芯片平台。这一系列新成员，包括了定位高端的Genio Pro，以及面向主流和入门级市场的Gen
一、关卡概述 在《燕云十六声》里，“铜金空洞”算得上是一块难啃的硬骨头。整个环境复杂多变，敌人和机关环环相扣，要想全身而退，确实得花费一番心思。 二、前期准备 磨刀不误砍柴工，进洞之前，准备工作一定要做扎实。 1 装备提升 首要任务是检查自己的“硬件”。攻击、防御、生命值，这三项核心属性必须过硬。