LensVLM-9B от Apple

Визуально-языковая модель на базе Qwen3.5-9B. Читает текст в сжатом виде, а потом точечно разворачивает до полного формата только те страницы, которые нужны для ответа

• сканирование сжатых изображений текста
• выборочное расширение нужных страниц через выученные инструменты
• точность держится при сжатии в 4.3 раза
• обходит retrieval и текстовые компрессоры до 10.1 раза

• 9B параметров
• степени сжатия 5x, 10x, 15x
• работает с документами по запросу - вопрос и путь к файлу

Экономит контекст на длинных документах: модель видит ужатую версию, а полные страницы загружает только когда они реально нужны

Гитхаб
HF
Демо

#vlm #ocr

MAX