Apple、テキスト圧縮画像から必要な情報を選択的に抽出する9B視覚言語モデル「LensVLM-9B」をリリース

概要

Appleが開発した、テキストを含む圧縮画像をスキャンし、関連箇所のみを選択的に高解像度で展開・解析する90億パラメータの視覚言語モデル（VLM）。

詳細内容

Appleは、大量のテキストを含むドキュメント画像を効率的に処理する新しい視覚言語モデル「LensVLM-9B」を公開しました。このモデルはQwen3.5-9Bをベースにしており、最大の特徴は「選択的コンテキスト拡張（Selective Context Expansion）」という手法にあります。画像全体をまず低解像度の圧縮形式で把握し、ユーザーの質問に関連する特定のページやセクションだけを学習済みツールを使って高解像度に展開して解析します。これにより、長いドキュメント解析における計算コストとメモリ使用量を劇的に削減しながら、精度の高い情報抽出を可能にします。Hugging FaceのTransformersライブラリに加え、vLLMやSGLangといった高速推論フレームワークにも対応しており、実用的なデプロイが考慮されています。ライセンスはApple Machine Learning Research Model Licenseが適用されます。

元記事を読む他のサマリーを見る