智谱提出 Glyph：通过视觉-文本压缩扩展上下文窗口_广告资讯

智谱提出 Glyph：通过视觉-文本压缩扩展上下文窗口

栏目：广告资讯发布时间：2025-10-22

智谱GLM大模型团队推出了Glyph框架，探索了一条区别于主流方法的全新上下文扩展路径。该框架创新性地采用视觉-文本压缩技术，将长篇文本转化为图像形式，使模型能够通过“看图”的方式理解语义内容。借助由大语言模型驱动的搜索算法，Glyph可自动寻找到最优的视觉渲染策略，在显著减少输入token数量的同时，保留关键语义信息，从而有效突破传统模型在上下文长度上的限制。在多项长文本基准测试中，Glyph在性能表现与当前顶尖LLM相当的基础上，实现了约3至4倍的上下文压缩率，并带来了数倍的训练与推理

智谱glm大模型团队推出了 glyph 框架，探索了一条区别于主流方法的全新上下文扩展路径。

该框架创新性地采用视觉-文本压缩技术，将长篇文本转化为图像形式，使模型能够通过“看图”的方式理解语义内容。借助 由大语言模型驱动的搜索算法，Glyph 可自动寻找到最优的视觉渲染策略，在显著减少输入 token 数量的同时，保留关键语义信息，从而有效突破传统模型在上下文长度上的限制。

在多项长文本基准测试中，Glyph 在性能表现与当前顶尖LLM相当的基础上，实现了约 3至4倍的上下文压缩率，并带来了数倍的训练与推理速度提升。

Glyph 开辟了长上下文建模的新思路——通过将文本视觉化实现高效的信息扩展，为构建面向超长文本处理的大模型提供了极具潜力的发展方向。

动机

面对文档理解、代码库分析、复杂推理等任务时，大模型常常需要处理数十万乃至上百万 token 的输入数据。

然而，直接扩大模型上下文窗口会带来极高的计算和内存开销，导致“百万级上下文”模型难以实际部署与广泛应用。

为应对这一挑战，研究团队提出 Glyph ——一种基于视觉化输入的新型上下文扩展范式。

不同于依赖修改注意力机制的传统方案，Glyph 从输入表征层面重构问题本质：

将原始文本转换为图像输入，利用视觉-语言模型（VLM）进行读取与理解，实现在不增加模型原生上下文容量的前提下，完成对超长文本的有效建模。

方法

Glyph 的核心理念是让模型学会“用眼睛阅读”超长文本。通过将文字内容渲染成图像，模型可在有限 token 预算下接收更密集的信息流，达成高效的语义压缩。整个系统包含三个关键阶段：

持续预训练阶段
研究人员将大量长文本数据渲染为多种视觉样式，涵盖文档排版、网页布局、代码展示等多种真实场景。基于这些图像化文本，构建包括 OCR 识别、图文联合建模、视觉补全在内的多样化任务，帮助模型同时掌握字符的视觉特征与其深层语义。此阶段强化了跨模态对齐能力，使模型能准确“读懂”图像中的文字内容。
**LLM驱动的渲染策略搜索
不同的渲染参数（如字体大小、行距、分辨率、布局方式）会显著影响模型的理解效果与压缩效率。为此，团队设计了一种基于大语言模型引导的遗传搜索算法****。该方法在验证集上评估不同配置的表现，由 LLM 分析结果并生成改进方案，经过多轮迭代后自动收敛至最优渲染策略，在压缩率与语义保真之间达到最佳平衡。
后训练优化阶段
确定最优渲染方式后，模型进入精细化调优阶段，采用有监督微调（SFT）结合 GRPO 强化学习算法进行优化。同时引入OCR辅助学习任务，进一步增强模型对细粒度文本结构的识别与理解能力。

总结

Glyph 标志着一种融合视觉与语言的上下文扩展新范式的诞生。

通过三阶段协同训练，Glyph 实现了在 3–4倍文本压缩率 下仍保持强劲的任务表现，并大幅提升了训练与推理效率。

在极端压缩条件下，仅使用 128K 上下文的视觉模型，即可成功处理 百万 token 级别的文本任务，展现出强大的扩展潜力，也为未来迈向千万级上下文的智能系统奠定了坚实基础。

源码地址：点击下载

# 压缩率 # 点击下载 # 带来了 # 可在 # 基础上 # 文档 # 这一 # 实现了 # 建面 # 大模型 # 最优 # 重构 # ocr # 算法 # Token # 网页布局 # 压缩技术 # 区别

相关栏目：【广告资讯37196 】【广告推广143353 】【广告优化89630 】

上一篇：大语言模型也会“脑腐” (Brain Rot)

下一篇：iQOO罗峰：iQOO 15只是标准版更强的机型仍在打磨