苹果开源了专门处理长文档的视觉语言模型LensVLM-9B，该模型基于Qwen3.5-9b-base训练。处理长文档时，LensVLM会先将整份文档压成低清页面快速扫一遍，定位到相关页面后，再读取原始文字或高清图片。测试显示，直接读取100页文档需要51,273个tokens，而LensVLM仅需8,090个，KV缓存从约1.6GB降至253MB，减少84.2%。在7项文档问答测试中，直接读取全文的平均准确率为72.4%，而LensVLM在约4.3倍压缩下仍有68.9%的准确率。尽管压缩后准确率没有明显下降，但处理速度较慢，论文测试中一次回答约需17秒。