這不巧了嗎……智譜和DeepSeek，又雙叒撞車了。

太卷了，DeepSeek-OCR剛發(fā)布不到一天，智譜就開源了自家的視覺Token方案——Glyph。

既然是同臺對壘，那自然得請這兩天瘋狂點(diǎn)贊DeepSeek的卡帕西來鑒賞一下：

或許你也會對我們的工作感興趣。

發(fā)論文就發(fā)論文，怎么還爭上寵了。（doge）

網(wǎng)友調(diào)侃be like：AI界也有自己的霸總愛情片。

智譜也做視覺壓縮

是的，與DeepSeek-OCR一樣，智譜這篇論文的目標(biāo)同樣也是通過視覺的方式，破解當(dāng)下LLM上下文冗長的難題。

激增的上下文

隨著LLM能力一路狂飆，用戶和廠商對于長上下文的需求也越來越迫切。

畢竟，不論是長文檔分析、代碼審查，還是多輪對話，模型可不能像金魚那樣看過就忘。要讓它們真正靠譜地執(zhí)行任務(wù)，就得有足夠穩(wěn)定的「工作記憶」。

但擴(kuò)充上下文可是個(gè)相當(dāng)吃力不討好的工作。

舉個(gè)例子：如果把上下文從50K擴(kuò)到100K，算力的消耗大約會變成原來的四倍。

原因在于，更多的Token，就意味著模型需要記住更多的激活值、緩存、注意力權(quán)重，這些東西在訓(xùn)練和推理階段都是靠真金白銀堆出來的。

如果能實(shí)實(shí)在在地提升性能，多花點(diǎn)錢也認(rèn)了。

可最讓人心痛的是，砸了重金擴(kuò)上下文，模型還不一定更聰明。

IBM的研究就指出，光靠“多塞 Token”并不能保證模型表現(xiàn)線性提升。

相反，當(dāng)輸入太長、信息太雜時(shí)，模型反而可能陷入噪聲干擾和信息過載，越看越糊涂。

關(guān)于這類問題，目前大概有三種比較主流的解決方案：

第一類，是擴(kuò)展位置編碼。

在Transformer結(jié)構(gòu)里，模型并不知道輸入的先后順序，因此要給每個(gè)Token加上“位置編碼”，告訴模型這是誰先誰后。

而擴(kuò)展位置編碼的做法，就是把原有的位置編碼區(qū)間直接向外延伸。

比如，把0～32K的位置區(qū)間“插值”到0～100K，這樣，模型就能在工作時(shí)接受更長的輸入，而不必重新訓(xùn)練。

雖然如此，這并沒有解決推理成本的問題，模型在推理階段依舊要遍歷所有上下文。

而且，模型雖然能繼續(xù)讀下去，但由于它在訓(xùn)練中從未見過如此長的上下文，現(xiàn)在逼著人家讀肯定表現(xiàn)不會好。

第二類，是改造注意力機(jī)制。

既然上下文變長了，那就讓模型「讀」快一點(diǎn)，比如用稀疏注意力、線性注意力等技巧，提高每個(gè)Token的處理效率。

但再怎么快，賬還是那本賬，Token的總量沒有減少，如果上下文都到了幾十萬，多高的效率也頂不住。

第三類，是檢索增強(qiáng)RAG路線。

它通過外部檢索先挑重點(diǎn)、再喂給模型，輸入變短了，推理輕快了。

但大家也知道，RAG的輸出結(jié)果肯定不如模型基于訓(xùn)練數(shù)據(jù)的回答，而且還會因多出來的檢索步驟拖慢整體響應(yīng)。

踏破鐵鞋無覓處，上下文真是個(gè)令人頭疼的問題。

看「圖」說話

為了解決這個(gè)問題，研究團(tuán)隊(duì)提出了一種新范式——Glyph。

大道至簡：既然純文本的信息密度不夠，那就把它放進(jìn)圖片里。

普通LLM處理文本時(shí)，是把句子拆成一個(gè)個(gè)獨(dú)立的Token依次輸入，效率很低。

比如，如果一句話能分成1000個(gè)Token，模型就得老老實(shí)實(shí)算1000個(gè)向量，還要在它們之間做注意力計(jì)算。

相比之下，Glyph不會逐字閱讀，而是先把整段文字排版成圖像式的視覺Token，再把這張「截圖」交給VLM去處理。

之所以要這么做，是因?yàn)閳D像能承載的信息密度遠(yuǎn)高出純文本，僅需一個(gè)視覺Token就能容納原先需要好幾個(gè)文本Token的內(nèi)容。

借助這種方式，即便是一個(gè)上下文固定的VLM，無需借助稀疏注意力、RAG等工具，也能輕松吃下足以「撐死」LLM的超長文本。

舉個(gè)例子：小說《簡·愛》大約有240K的文本Token，對一臺上下文窗口只有128K的傳統(tǒng)LLM來說，只能塞進(jìn)去一半。

這種情況下，如果你想問一些涉及到故事跨度比較大的問題，傳統(tǒng)模型多半答不上來。

比如：女主離開桑菲爾德后，誰在她陷入困境時(shí)幫助了她？

但如果使用Glyph，把整本書渲染成緊湊的圖像，大約只需要80K視覺Token。

這樣一來，同樣是128K上下文的VLM就能輕松看完整部《簡·愛》，對故事脈絡(luò)心中有數(shù)，也能從更大的全局視角來回答問題。

這么立竿見影的效果，是怎么實(shí)現(xiàn)的呢？

Glyph的訓(xùn)練流程主要分為三個(gè)階段：

第一階段：持續(xù)預(yù)訓(xùn)練（Continual Pre-training）

這一階段的目標(biāo)，是讓模型把自己的長上下文理解能力從文字世界遷移到視覺世界。

具體而言，研究團(tuán)隊(duì)先盡可能多地將海量長文本渲染成不同風(fēng)格的圖像，把VLM扔在各式各樣排版、字體、布局中“讀圖識文”，以便訓(xùn)練出更強(qiáng)的泛化能力。

在這個(gè)過程中，模型會不斷學(xué)習(xí)如何把圖像中的文字信息，與原始文本語義對齊。

第二階段：LLM驅(qū)動的渲染搜索（LLM-driven Rendering Search）

雖然多樣化的渲染方式能提升模型的泛化能力，但在實(shí)際應(yīng)用中，效率和精度必須兼顧。

文字如何轉(zhuǎn)成圖，決定了壓縮率與可讀性之間的微妙平衡。

字體太大、排版太松固然不好，這樣做信息密度太低，有悖于視覺Token的初衷。

不過，過于追求信息密度也不是好事。

字體小、布局緊，雖然壓縮率高，卻可能讓模型“看不清”，理解出現(xiàn)偏差。

為此，研究團(tuán)隊(duì)引入由LLM驅(qū)動的遺傳搜索算法，讓模型自動探索最優(yōu)的渲染參數(shù)——比如字體大小、頁面布局、圖像分辨率等——力求在盡可能壓縮的同時(shí)不丟語義。

第三階段：后訓(xùn)練（Post-training）

在找到最優(yōu)的渲染方案后，研究團(tuán)隊(duì)又動手做了兩件事：有監(jiān)督微調(diào)和強(qiáng)化學(xué)習(xí)，旨讓模型在“看圖讀文”這件事上更聰明、更穩(wěn)。

此外，他們還在SFT和RL階段都加上了輔助OCR對齊任務(wù)，教模型學(xué)會從圖像里準(zhǔn)確還原文字細(xì)節(jié)，讓視覺和文本兩種能力真正融為一體。

最終，Glyph一舉練成兩大神功：

1、看懂長文，推理穩(wěn)準(zhǔn)狠。

2、認(rèn)清細(xì)節(jié)，讀圖不傷腦。

靠著這套組合拳，Glyph在高壓縮的視覺上下文任務(wù)里依然能游刃有余。

狂砍75%上下文

讀懂了原理，接下來讓我們看看Glyph的實(shí)際表現(xiàn)如何。

事實(shí)證明，Glyph的確有助于大幅削減Token數(shù)。

實(shí)驗(yàn)結(jié)果顯示，Glyph在多項(xiàng)長上下文基準(zhǔn)測試中實(shí)現(xiàn)了3–4倍的Token壓縮率，同時(shí)依然保持與主流模型（如Qwen3-8B）相當(dāng)?shù)臏?zhǔn)確度。

這種壓縮不僅減輕了算力負(fù)擔(dān)，還帶來了約4倍的prefill與解碼速度提升，以及約2倍的SFT訓(xùn)練加速。

更令人驚喜的是，在極端壓縮的情況下，一個(gè)上下文窗口僅128K的VLM，依然能夠應(yīng)對相當(dāng)于百萬Token級的文本任務(wù)，并絲毫不落下風(fēng)。

此外，雖然Glyph的訓(xùn)練數(shù)據(jù)主要來自渲染后的文本圖像，但它在多模態(tài)任務(wù)上同樣表現(xiàn)出色，證明了其強(qiáng)大的泛化潛力。

綜上所述，這篇論文提出了一種名為Glyph的長上下文建模框架。

核心思路是把長文本“畫”成圖，再讓VLM去看圖讀文，做到一目十行，從而能實(shí)現(xiàn)高效的上下文擴(kuò)展。

論文作者

這么厲害的成果，都是誰做出來的？

論文的一作是Jiale Cheng，他是清華大學(xué)的博士生，主要研究方向包括自然語言生成、對話系統(tǒng)和相關(guān)的人工智能交互技術(shù)。

目前，Jiale已發(fā)布了多篇論文，并在谷歌學(xué)術(shù)上有不錯(cuò)的影響力。

此外，論文還有三位主要貢獻(xiàn)者：Yusen Liu、Xinyu Zhang、Yulin Fei。

遺憾的是，都沒有太多公開資料。

擔(dān)任本文通訊作者的是黃民烈教授。

黃教授本科與博士均畢業(yè)于清華大學(xué)，目前是清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系長聘教授，同時(shí)兼任智能技術(shù)與系統(tǒng)實(shí)驗(yàn)室副主任、清華大學(xué)基礎(chǔ)模型中心副主任。

此外，他還是北京聆心智能科技有限公司的創(chuàng)始人兼首席科學(xué)家。

黃教授的研究方向主要集中在人工智能、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，自然語言處理等。

像素或成最終Token

繼MoE名聲鵲起后，DeepSeek-OCR的出現(xiàn)再次在AI領(lǐng)域掀起了一波技術(shù)革命。

截至10月22日，抱抱臉上最受歡迎的前四個(gè)模型，全部都支持OCR。

一方面，自然是視覺Token本身的巨大潛力。

在上下文建模方面，視覺Token的表現(xiàn)堪稱驚艷——

DeepSeek-OCR僅用100個(gè)視覺Token，就能在原本需要800個(gè)文本Token的文檔上取得高達(dá)97.3%的準(zhǔn)確率。

這種效率提升，意味著AI的門檻正被迅速拉低。

據(jù)DeepSeek介紹，引入OCR技術(shù)后，單張NVIDIA A100-40G GPU每天可處理超過20萬頁文檔。

按這個(gè)速度推算，僅需一百多張卡，就足以完成一次完整的模型預(yù)訓(xùn)練。

降本增效歷來是開源陣營的強(qiáng)項(xiàng)，但在這次熱議中，大家的關(guān)注點(diǎn)不再僅僅停留于此——

視覺Token的出現(xiàn)，或許正在從底層重塑LLM的信息處理方式。

未來，像素可能取代文本，成為下一代AI的基本信息單元。

卡帕西指出，像素天生比文本更適合作為LLM的輸入，主要有兩點(diǎn)原因：

1、信息壓縮更高 → 更短的上下文窗口，更高的效率。

2、信息流更廣泛 → 不僅能表示文字，還能包含粗體、顏色、任意圖像。

馬斯克的觀點(diǎn)則更加激進(jìn)：

從長遠(yuǎn)來看，人工智能模型的輸入和輸出中 99% 以上都將是光子。

此外，OCR的爆火也不禁讓人再次思考AI與腦科學(xué)之間千絲萬縷的聯(lián)系。

用圖像而非文本作為輸入，乍看之下似乎反直覺，但細(xì)想便會發(fā)現(xiàn)，這反而更貼近人腦的信息處理方式。

人類獲取任何新信息時(shí)，最先感知到的都是圖像。

即便是閱讀，我們的大腦最初接收的也只是由像素按特定規(guī)律排列組合的一串圖形，在經(jīng)過一層層視覺處理后，這些像素才被翻譯成“文字”的概念。

從這個(gè)角度來看，OCR的表現(xiàn)固然驚艷，但也沒那么出乎意料了。

畢竟，視覺才是人類數(shù)萬年來接觸世界的一手資料。

相比之下，語言不過是我們基于視覺與其他感官體驗(yàn)提煉出的高度濃縮的抽象層。它標(biāo)準(zhǔn)化、成本低，但本質(zhì)上依舊是視覺的降維產(chǎn)物。

即便再清晰的影子，也注定會流失不少細(xì)節(jié)。

有趣的是，當(dāng)AI在各項(xiàng)指標(biāo)上不斷逼近人類、引發(fā)普遍焦慮的同時(shí)，每當(dāng)技術(shù)發(fā)展陷入瓶頸，我們又總能從那個(gè)被質(zhì)疑“沒那么智能”的人腦里重新找到答案。

神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、MoE……都是這個(gè)規(guī)律下的產(chǎn)物。

而這一次，深不可測的「人類智能」，從視覺Token上再次得到了印證。