LensVLM: Compressing long context as images, expanding only relevant pages
Le modèle présenté est un modèle vision-langage de 9 milliards de paramètres qui analyse des images compressées de texte et restaure sélectivement en clair les pages pertinentes à l'aide d'outils appris. Le code et les poids sont disponibles sur GitHub et un script de démonstration permet d'exécuter le modèle pré-entraîné fourni par Apple après installation des dépendances. Les fichiers de modèles sont distribués sous la Apple Machine Learning Research Model License tandis que le code source est couvert par l'Apple Sample Code License. L'usage local autorise des options de compression (5x, 10x ou 15x) et un exemple de commande montre comment interroger un document texte en précisant le taux de compression et la question. L'article associé est disponible en prépublication sur arXiv (2026) et contient la référence bibliographique complète des auteurs.