开源大模型Hugging Face上手难度 🔧 进阶#视觉语言模型#苹果#Apple#Qwen3.5#长文档理解#VLM#Hugging Face#开源模型

LensVLM-9B · Apple LensVLM-9B — 苹果开源视觉语言模型，基于 Qwen3.5-9B 的长文档理解专家

苹果在 Hugging Face 开源的 9B VLM，基于 Qwen3.5-9B 构建，选择性上下文使长文档 Token 消耗降低 84%

指标同步中，请稍后刷新查看在 Hugging Face 查看

5 分钟上手

单张 16GB+ 显存 GPU（A100/RTX 4090 等），推荐使用 vLLM 部署

# Hugging Face Transformers 加载
from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModel.from_pretrained('apple/LensVLM-9B', trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained('apple/LensVLM-9B', trust_remote_code=True)

# 推理示例：文档问答
messages = [{"role": "user", "content": [
    {"type": "image", "image": "document.jpg"},
    {"type": "text", "text": "这份文档的主要内容是什么？"}
]}]
inputs = tokenizer.apply_chat_template(messages, return_tensors='pt')
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0]))

项目速览

LensVLM-9B 是苹果公司于 2026 年 9 月 23-24 日在 Hugging Face 开源的视觉语言模型（VLM），基于阿里通义千问 Qwen3.5-9B 构建。这是苹果首次在开源社区公开发布基于中国开源基座的大模型权重，引起全球开发者广泛关注。

LensVLM 的核心创新是「选择性上下文扩展」（Selective Context Expansion）：先以极低分辨率缩略图快速浏览整份文档，判断哪些页面与当前问题相关，再仅对关键页面做高分辨率提取。这种「先粗扫、再细看」的策略大幅降低了长文档场景的 Token 消耗和 KV Cache 占用——论文数据显示 Token 消耗降低约 84%，KV Cache 占用从约 1.6GB 压缩至约 250MB。模型原生支持处理数十页的 PDF 合同、论文和报告，特别适合对文档内容进行问答、摘要和结构化提取。