苹果在 Hugging Face 上悄悄丢了一个开源模型重磅炸弹！它居然是基于阿里通义千问（Qwen3.5）精调出来的！

全网都在等 Siri 变聪明，结果库克背地里领着苹果研究团队，默默在开源社区发了一个叫 LensVLM-9B 的视觉语言模型。点开项目页面看一眼配置，标签里赫然写着基于 Qwen3.5-9B 微调。不得不说，这波“果味开源”带着一种极其微妙的幽默感：硅谷市值霸主，也开始拿开源大模型当底层砖头用了。

但抛开调侃，苹果这次解决的技术痛点，确实刀刀切在行业最肉疼的算力账本上。

现在大家用大模型读长文档或者 PDF，最大的噩梦就是“贵”和“慢”。一本上百页的财报或法律合同，带上表格和图表，直接扔进传统视觉大模型里，分分钟把几万个 Token 吃得干净，显存占用居高不下。

苹果这次搞出了一套极其聪明且“抠门”的技术：视觉缩略图 + 选择性定向展开。

简单来说，它把大模型训练得像一个精明的审计员。面对一份百页的大文档，它绝不傻乎乎地把每一页都用 4K 极清分辨率硬吞进去。第一步，模型先把所有页面压缩成极其微小的“视觉缩略图”。这一步极度节省 Token，相当于给整本书快速翻页扫了一眼。

第二步，模型用极低的算力成本扫视完这些缩略图后，精准定位到哪几页跟你的提问真正相关，最后才单独把那几页进行“高分辨率无损还原”，提取细节回答问题。

根据苹果公开的论文数据，这种“低清全局扫视，高清局部展开”的操作，在处理 100 页超长文档时，整整把 Token 消耗砍掉了 84%！更夸张的是显存（KV Cache）占用，直接从 1.6GB 暴跌到了 250MB。

把“环保省钱”的苹果传统艺能用到 AI 算力上，这波操作可以说是把成本控制玩到了极致。

以往硅谷巨头比拼多模态，卷的都是谁的上下文窗口更长、谁能一口气吃下更多高码率图片。结果苹果反其道而行之：不比谁能吃，只比谁省钱。而且苹果这次诚意十足，不仅放了论文，连模型权重（apple/LensVLM-9B）和推理代码都用 apple-amlr 协议公开发布了。

以前大家开玩笑说 Siri 不够聪明是技术问题，现在看明白了，苹果这是账本算得太精。用业界顶尖的国产开源基座做底，配上自家绝活级别的压缩算法，把长文档视觉解析的成本打到了原先的两成。

当最会赚钱的硬件巨头开始在算力 Token 上精打细算，甚至反向接入开源生态，商业大模型原本高不可攀的技术壁垒，恐怕真的要被重新洗牌了。

热点观点畅聊会