苹果 LensVLM：长上下文压成图片，模型按需放大细读
把长上下文压成图片、再按需放大原文，LensVLM 用 4.3 倍有效压缩把长文问答准确率做到接近全文输入。
苹果与杜克大学提出 LensVLM：把长文本渲染成高压缩页面图像，模型先浏览覆盖全文的压缩页，再挑出相关页面、调用展开工具读回原文，相当于给模型配一个放大镜。七项问答评测中，5 倍压缩下平均准确率 68.9%，接近全文输入的 72.4%。
正文摘录
.jpg)  Agent 执行长程任务时，代码、工具输出和交互记录不断累积，上下文也跟着变长。 生成摘要、压缩上下文，可以减少输入，却也可能删掉后续任务需要的细节。一段当时看起来无关紧要的记录，到了下一步，或许就是关键线索。如果模型只能看到压缩结果，就很难再把它找回来。 DeepSeek-OCR 展示了另一条路线：让图像承载文字，用较少的视觉 token 表示文本信息。压缩页面能够覆盖全文，但清晰度成了新的瓶颈。字符越小，模型越难辨认；压得太狠，答案就在页面上，模型却已经看不清了。 许多压缩方案对模型而言是一条单行道：压缩之后，它就无法按需回头查阅原文。那如果给模型一个 “放大镜” 呢？ 苹果基础大模型团队与杜克大学提出 LensVLM，让模型先浏览覆盖全文的压缩页面，再展开与问题有关的页面。在七项文本问答评测中，它以 4.3 倍有效压缩达到 68.9% 的平均准确率，接近完整文本参照的 72.4%。 这项工作近期被 NeurIPS 2026 接收，在 X 上也获得了较高关注，并引发了不少关于 “将文本转化为图像进行长上下文理解” 的讨论。