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！

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：DeepSeek-OCR长文本理解分析，中科院新基准揭示技术方向要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题