苹果发布 LensVLM-9B：基于 Qwen 的可选择性文本压缩视觉模型

苹果机器学习研究团队（Apple Machine Learning Research）近期在 Hugging Face 发布了 LensVLM-9B，这是一款基于 Qwen 架构进行改动的 9B 参数视觉语言模型，专注于处理"被压缩成图像的文本"这一特殊场景。

核心思路：先粗扫、再选择展开

LensVLM 的设计目标是降低长文档场景下的视觉 token 消耗。它的工作流程分两步：

• 首先扫描文本的压缩图像版本（即文本以较低分辨率被编码为图像）。
• 当模型判断某些页面与查询相关时，再通过学习到的工具，将这一部分"关键页面"选择性还原为未压缩的高分辨率图像。

这种"先粗看、再细看"的策略，让模型在不显著增加视觉上下文长度的前提下保留关键信息。

苹果的基座选择：Qwen + 自研改造

LensVLM 的模型权重是 Apple 对 Qwen 模型进行定制后的版本，权重采用 Apple Machine Learning Research Model License 发布，源代码则单独以 Apple Sample Code License 授权。苹果选择在开源基座上构建研究型 VLM，而非完全自研底层架构，这一点值得社区关注。

配套资源

• 论文：LensVLM: Selective Context Expansion for Compressed Visual Representation of Text
• 代码仓库：github.com/apple-aiml-research/ml-lensvlm
• GGUF 量化版：社区用户 bartowski 已发布 GGUF 格式的量化权重，方便本地推理框架直接加载

适用场景与注意

该模型面向长文档、扫描件、PDF 等以压缩文本图像形式存在的内容，适合需要处理大量文档图像、又希望控制视觉上下文开销的研究者与开发者。需要注意的是，权重使用 Apple 自定义研究许可，在商用前应仔细核实授权条款。