AI・機械学習

LensVLM: 長いコンテキストを画像として圧縮し、関連ページのみを展開

LensVLM: Compressing long context as images, expanding only relevant pages (huggingface.co)

75 pointsby victormustar2026年9月24日7 コメント

要約

LensVLMは、長いコンテキストを画像として効率的に圧縮する新しいアプローチを提案するモデルです。これにより、関連性の高い情報のみを展開して表示することが可能になり、長文の処理能力が向上します。この技術は、AIが大量の情報を理解し、必要な部分を迅速に特定する能力を拡張するものです。

全文翻訳

apple / LensVLM-9B

LensVLM-9B

LensVLMは、テキストの圧縮された画像をスキャンし、学習したツールを通じて関連ページのみを選択的に非圧縮形式に展開する9BパラメータのVision Language Model（VLM）です。

ペーパー: LensVLM: Selective Context Expansion for Compressed Visual Representation of Text
コード: https://github.com/apple-aiml-research/ml-lensvlm

ライセンス

このリポジトリ内のすべてのMLモデルファイル（Qwenモデルに対するAppleの変更を含む）は、Apple Machine Learning Research Model Licenseの条件に基づき提供されます。

このモデルに付随するソースコードは別途配布され、Apple Sample Code Licenseの条件に基づき提供されます。

使用方法

LensVLMコードをインストールし、推論を実行します。

git clone https://github.com/apple-aiml-research/ml-lensvlm
cd ml-lensvlm
pip install -r requirements.txt
python scripts/run_demo.py --model apple/LensVLM-9B

カスタムドキュメントの場合:

python demo.py \
    --model apple/LensVLM-9B \
    --text_file document.txt \
    --question "What is the main finding?" \
    --compression 10x

圧縮オプション: 5x, 10x, 15x。データ準備と評価については、リポジトリのREADMEを参照してください。

引用

@article{xie2026lensvlm,
  title={LensVLM: Selective Context Expansion for Compressed Visual Representation of Text},
  author={Xie, Roy and Friedman, Dan and Yu, Donghan and Pan, Bowen and Fifty, Christopher and Kim, Jang-Hyun and Du, Xianzhi and Gan, Zhe and Rathod, Vivek and Dhingra, Bhuwan},
  journal={arXiv preprint arXiv:2605.07019},
  year={2026}
}