# 视觉文本压缩

FocusVTC 提出一种自适应分辨率的视觉文本压缩框架：先用低 DPI 页面图像保留全局覆盖，再通过工具调用把推理中定位到的相关区域以对齐的 144 DPI 高分辨率重新读取，并用 29.4K 条把推理轨迹与页码和边界框关联的 REL-CoT 数据做多分辨率监督微调与 GRPO 训练，从而在 72 DPI 下于 RULER v1 取得 87.4 分（Glyph 为 57.5）、LongBench 56.40 分（文本输入骨干为 55.86）、MRCR 宏平均提升 13.91 分、VTCBench 宏平均 51.19，同时 MMMU 从 65.12 升至 66.73、MME 从 2424.02 升至 2457.62。

FocusVTC 提出一种自适应分辨率的视觉文本压缩框架：先用低 DPI 页面图像保留全局覆盖，再通过工具调用把推理中定位到的相关区域以对齐的 144 DPI 高分辨率重新读取，并用 29.4K 条把推理轨迹与页码和边界框关联的 REL-CoT 数据做多分辨率监督微调与 GRPO 训练，从而在 72 DPI 下于 RULER v1 取得 87.4 分（Glyph 为 57.5）、LongBench 56.40 分（文本输入骨干为 55.86）、MRCR 宏平均提升 13.91 分、VTCBench 宏平均 51.19，同时 MMMU 从 65.12 升至 66.73、MME 从 2424.02 升至 2457.62。

RenderRank 将文档文本渲染为图像并编码为压缩视觉 token，用文本教师做跨模态相关性蒸馏、再用查询内对比学习区分正负文档，在 BEIR 11 个数据集上以平均 290.07 个输入 token 取得平均 NDCG@10 55.96，比所评估的文本重排序器少用 16.5–35.5% 输入 token，并在四个长文档数据集上以约一半的平均输入 token 取得平均 NDCG@10 88.27。

RenderRank 将文档文本渲染为图像并编码为压缩视觉 token，用文本教师做跨模态相关性蒸馏、再用查询内对比学习区分正负文档，在 BEIR 11 个数据集上以平均 290.07 个输入 token 取得平均 NDCG@10 55.96，比所评估的文本重排序器少用 16.5–35.5% 输入 token，并在四个长文档数据集上以约一半的平均输入 token 取得平均 NDCG@10 88.27。