Apple'dan LensVLM-9B: sıkıştırılmış metin görüntülerini okuyan araştırma modeli
Apple, uzun metinleri küçültülmüş sayfa görüntüleri olarak tarayan ve yalnızca gerekli sayfayı okunur hale getiren LensVLM-9B modelini Hugging Face'te yayımladı. Model dosyaları yalnızca ticari olmayan araştırma için kullanılabiliyor.
Apple, LensVLM-9B adlı görsel dil modelini Eylül 2026'da Hugging Face'te yayımladı. Model kartındaki bilgilere göre LensVLM, metnin sıkıştırılmış görüntülerini tarıyor ve yalnızca soruyla ilgili sayfaları okunur haline geri açıyor. Modelin dayandığı makale, Apple ve Duke Üniversitesi'nden araştırmacıların imzasıyla 7 Mayıs 2026'da arXiv'e gönderilmişti.
LensVLM nedir
Uzun bir metni görüntüye çevirip görsel dil modeline okutmak, aynı içeriği daha az girdiyle işlemeye yarıyor. Makaleye göre sıkıştırma arttıkça harfler modelin görebildiği çözünürlüğün altına iniyor ve doğruluk hızla düşüyor. LensVLM bu soruna seçerek büyütme yöntemiyle yaklaşıyor. Adı da buradan geliyor: mercek gibi, sıkıştırılmış içeriğin içinden seçtiği bölgeyi büyütüyor.
Nasıl çalışıyor
Metin önce bir dizi sayfa görüntüsüne dönüştürülüyor. Model bütün görüntüleri ve soruyu görüyor, sonra öğrendiği bir aracı çağırarak seçtiği sayfanın açılmasını istiyor. Araç, göreve göre o sayfanın özgün metnini, görüntüden çıkarılmış metni ya da yüksek çözünürlüklü görüntüsünü geri veriyor. Her adımda tek sayfa açılıyor. Araç belgeye yeni bilgi eklemiyor, seçilen bölümü okunur biçimde yeniden sunuyor. Depodaki örnekte model 15 sayfalık sıkıştırılmış bir belgede ilgili sayfayı bulup iki adımda yanıt veriyor.
LensVLM-9B, Alibaba'nın Qwen3.5-9B modelinin üzerine kuruldu. Model kartıyla birlikte verilen bilgiye göre mimari değişmedi; Apple, model dosyalarını seçerek açma görevi için yeniden eğitti. Eğitim iki aşamalı: önce araç kullanımını gösteren yapay örneklerle, sonra pekiştirmeli öğrenmeyle. Depoda üç sıkıştırma ayarı hazır geliyor.
Kimler kullanabilir
Model dosyaları Apple Machine Learning Research Model License ile yayımlandı. Lisans metnine göre kullanım ticari olmayan bilimsel araştırma ve akademik çalışmayla sınırlı; ticari ürün ya da hizmette kullanım kapsam dışında. Kod ayrı bir lisansla, Apple Sample Code License ile dağıtılıyor. Çalıştırmak için GitHub deposundaki örnek betikler kullanılıyor; en düşük donanım gereksinimi belirtilmedi.
Yazarların kendi ölçümlerine göre LensVLM, soru yanıtlama testlerinde metni birkaç kat sıkıştırılmış halde okurken tam metne yakın doğruluğu koruyor ve kod ile belge anlama görevlerine de genelleniyor. Aynı makalede sınırlar da yer alıyor: belge görevinde düşük sıkıştırmada temel model, araç kullanan sürümlerin önünde kalıyor; kod görevlerinde metinler kısa olduğu için kazanç azalıyor. Yazarlara göre yöntem en çok uzun metinlerde işe yarıyor. Model kartında kullanım sınırlarına ya da desteklenen dillere ilişkin ayrı bir bölüm bulunmuyor. Sonuçları farklı işlerde görmek için bağımsız araştırmacıların değerlendirmelerini de takip etmekte fayda var.
Kaynaklar: Hugging Face: apple/LensVLM-9B, arXiv: LensVLM makalesi, GitHub: ml-lensvlm.
