LensVLM-9B

LensVLM-9B ist Apples Vision-Language-Modell für lange Dokumente. Es scannt komprimierte Bilddarstellungen von Text und erweitert nur die Seiten, die für die aktuelle Frage relevant sind. Dadurch bleibt die visuelle Verarbeitung selektiv, statt jedes Dokument vollständig in hoher Auflösung zu laden.

Der 9-Milliarden-Parameter-Checkpoint läuft lokal mit Transformers, vLLM oder SGLang unter der Apple Machine Learning Research Model License. Die veröffentlichte Demo bietet 5-fache, 10-fache und 15-fache Kompression. Einen gehosteten Inference Provider nennt die Model Card nicht.