苹果发布 LensVLM-9B，一种可选择性扩展压缩文本图像的视觉语言模型

苹果发布了 LensVLM-9B，这是一个拥有 90 亿参数的视觉语言模型，旨在更高效地处理文本的压缩图像。该模型扫描这些压缩输入，并利用学习到的工具选择性地将相关页面扩展为其未压缩形式。

此次发布包括在 Apple Machine Learning Research Model License 下的模型权重和在 Apple Sample Code License 下的源代码。它基于对 Qwen 架构的修改构建，并附带一篇题为“LensVLM: Selective Context Expansion for Compressed Visual Representation of Text”的论文，可在 arXiv 上获取。

这种方法使模型能够通过仅关注必要的细节来处理视觉文本表示，从而潜在地提高处理大型文档的效率。