2026年智谱Glyph：把信息，压缩成图片

科技前沿 • 2026-03-17 13:25 • 阅读 0

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

昨天，DeepSeek 发了 OCR 用图片来理解信息，缩减上下文

低清**，不影响识别《》

刚刚的，智谱发了 Glyph 把信息压缩成图片，缩减上下文

Git：https://github.com/thu-coai/Glyph

公众号后台回复：Glyph，获取报告论文 pdf

两个团队，同一时间把目光投到了「用视觉方式，表达信息」 领域一致，路径互补

Karpathy 今天也发推了

Karpathy 前两天录了个很棒的播客：

Glyph 的新思路 把信息渲染成图像，然后用模型处理

对于纯文本输入 通过搜索的方式，找到效率最高的渲染方式

比如处理一本小说《简爱》约 240K tokens 128K 窗口装不下，必须截断

Glyph 把整本小说渲染成图像大概 80K 视觉 tokens 128K 窗口就能装下了这样模型能看到完整上下文回答问题时不会因为截断丢信息

方法分三个阶段：

持续预训练 把大规模长文本渲染成各种视觉风格教 VLM 理解渲染后的文本用了 document_style、web_style、dark_mode、code_style 等多种风格

LLM 驱动的渲染搜索 用遗传算法 + LLM 自动找最优渲染配置 DPI、字体、字号、行高这些参数 LLM 来指导怎么组合找到压缩和性能的**平衡

后训练 用找到的最优配置做 SFT 和强化学习同时加入 OCR 对齐任务增强识别能力

很多人可能会疑问这和 DeepSeek-OCR 有什么差别么

DeepSeek-OCR vs Glyph

切入点不同：

DeepSeek-OCR： 从图像中提取信息

针对的是已经是图片格式的文档 更像是一个思想实验，验证了视觉压缩的可行性

同时 imply 了一个可能性： 在纯文本任务中，也能做视觉压缩 而不只是 OCR

Glyph： 把信息渲染成图像

这里，针对的是纯文本输入 真正验证了这个可能性把视觉压缩应用到通用长文本任务

只从事情上来说两个团队解决的问题不一样无法进行「好或者坏」的比较

应用场景不同：

DeepSeek-OCR 用来做 OCR、处理 PDF、生产训练数据聚焦于真实文档 OCR 任务验证的是视觉压缩下的文字还原能力

Glyph 用来扩展长上下文、处理超长文本应用到更广泛的通用长文本任务真正验证了利用视觉模型实现上下文扩展的可行性

但底层逻辑一致： 用视觉方式表达文本，效率更高 两者都从「视觉压缩」出发利用视觉 token 承载更多的文本信息

先看个 Glyph 的数据：

在极限压缩下（8× 压缩）

平衡配置（3-4× 压缩）

在这里有个挺聪明的设计 Glyph 让 LLM 作为评委分析当前配置的效果 DPI、页面大小、字体、字号、行高、对齐方式…

从而搜索最高效的视觉渲染方案

效果：随机配置：40.91 分人工配置：43.62 分 LLM 搜索配置：45.60 分

在 LongBench 和 MRCR 上 Glyph 的表现和 Qwen3-8B、GLM-4-9B-Chat-1M 相当

性能对比图

LongBench 平均压缩比 3.3× MRCR 平均压缩比 3.0× 随着输入长度增长，Glyph 的优势越来越明显

还有个意外发现虽然训练数据主要是渲染的纯文本但在真实多模态文档任务上也有提升 MMLongBench-Doc 总体准确率 从 29.18% 提升到 45.57%

在这个时间节点上大家都开始了视觉压缩的探索

用视觉方式表达信息，效率更高 毕竟：低清**，不影响识别

DeepSeek 从图像提取信息针对已经是图片格式的文档验证视觉压缩下的文字还原能力

智谱把文本变成图像针对纯文本输入验证利用视觉模型实现上下文扩展的可行性

领域一致，路径互补 江山代有才人出，各领风骚好几天