Apple、9B規模の視覚モデルLensVLM公開

Appleは、AI開発プラットフォームのHugging Face上で、Qwen3.5-9Bをベースにした新たな視覚言語モデル（VLM）「LensVLM-9B（Appleが公開した文書解析特化のAIモデル）」を公開した。

画像圧縮による画期的なトークン節約

LensVLM-9Bの最大の特徴は、長文のテキスト処理を最適化する独自のアプローチにある。文書をテキストとして読み込む代わりに、全体を約192×252ピクセルの圧縮ページ画像に変換することで、視覚トークン数をわずか48程度に抑える。その後、質問に関連すると判断したページのみ全文を抽出する仕組みだ。

処理効率の劇的な向上

この手法により、従来であれば約8,000トークンを消費するような長い文書の読み取りを、わずか数百トークンで完了させることが可能になる。同社はHugging Face上でデモ環境も公開しており、文書スキャンから回答生成までのプロセスを体験できる。

今後の技術的展望

Appleが他社基盤モデル（Qwen）をベースとしたオープンソースモデルを公開することは、同社のAI研究のオープン化戦略の一環とみられる。この革新的なアプローチは、リソースの限られたエッジデバイスでの長文処理や、マルチモーダルAIの効率化に大きく貢献する可能性があり、今後のエコシステムへの応用が期待される。

引用元：Mac OTAKARA | huggingface.co