苹果开源 LensVLM-9B：页面图像压缩读长文档
苹果于 9 月 24 日在 Hugging Face 上低调开源了 9B 参数的视觉语言模型 LensVLM-9B，论文与代码均已公开（arXiv:2605.07019，GitHub ml-lensvlm），多位作者（@victormustar、@jacek2023、@yoobinray）相继转述了这一发布。
已确认
- LensVLM-9B 基于 Qwen3.5-9B 微调，由 Apple 发布在 Hugging Face 上，属于低调上线而非官方高调宣传。
- 核心方法分两步：第一步把长文档每页渲染成压缩的小幅页面图片并整体输入模型，实现「视觉压缩」，大幅节省上下文 token 与算力；第二步通过学习到的工具模仿人类翻书的方式，先快速扫一遍页面小图，判断哪些页面可能包含答案，再仅对相关页面调取完整原文细读。
- 这一「页面图像检索 + 按需取回原文」的流程用于高效的长文档问答。
为什么重要
- 长文档处理是当前 VLM 与 LLM 的痛点，直接输入全文 token 成本高；LensVLM 用图像压缩加选择性取回的方式，为降低上下文开销提供了一条新路径。
- 苹果选择完全开源（模型权重、论文、代码），便于社区复现与在此基础上改进。
2026-09-24 ~ 2026-09-25 · 5 条相关
一手来源
- Apple 开源 LensVLM-9B：把长文档转成页面图片省 token — victormustar ·
- 苹果开源 LensVLM-9B:压缩图像承载文本,按需展开相关页面 — jacek2023 ·
- Apple 发布新模型：长文档先转页面图片省 token,再按问题调取原文 — yoobinray ·
- 【源头】苹果开源 LensVLM-9B:压缩图像承载文本,按需展开相关页面 — jacek2023 · 2026-09-24
- 【源头】Apple 开源 LensVLM-9B：把长文档转成页面图片省 token — victormustar · 2026-09-24
- 苹果 Hugging Face 悄然发布新模型:Qwen3.5-9B 微调版 — victormustar · 2026-09-24
- 苹果开源 LensVLM 9B：像翻书一样读长文档的视觉语言模型 — apolinariosteps · 2026-09-24
- 【源头】Apple 发布新模型：长文档先转页面图片省 token,再按问题调取原文 — yoobinray · 2026-09-25