最近关注到 DeepSeek-OCR 的思路很有意思，它站在 LLM 的视角重新定义了 VLM（视觉语言模型）：不再把 VLM 看作 “加了视觉能力的 LLM”，而是将 VLM 中的图像，当成 LLM 承载长上下文的载体，最终实现所谓的 “optical compression（光学压缩）”，最终落地形态依然是 VLM，只是换了一种看待问题的方式。

而提到当前能力足够强的 VLM，Qwen3-VL 应该没多少人会反驳吧？抱着验证的想法，我用 Qwen3-VL-4B-Thinking 做了个简单的 QA，似乎 Qwen3-VL 自带这种理解存储在图片中的上下文的能力。

测试很直接：我把 DeepSeek-OCR 论文的前五页内容，连同简单 QA 问题（比如 “这篇论文的核心观点是什么？”“能不能把答案精简一点？”），全都以图片的形式输入给 Qwen3-VL-4B-Thinking。原本以为需要设计复杂的 system instruction（系统指令）才能让模型准确响应，结果多次尝试后发现：根本不用繁琐的指令，关键是让模型能分清两类图片：哪些是 “对话历史”，哪些是 “论文原文内容”。只要把这两类图片的角色明确，模型就能准确理解问题并结合论文内容作答。

DeepSeek-OCR 中提到的 “optical compression” 是个核心点，我也统计了这次测试的数据：前五页论文的文字内容，与对应转换后的图片相比，压缩率只有 1.63，远没达到 DeepSeek-OCR 宣称的 10 倍压缩效果，毕竟我没做什么优化。如果后续调整文字在图像上的显示参数（比如提高文字密度、优化排版），压缩率应该还能进一步提升，不过目前这个结果已经能说明：Qwen3-VL 确实具备 “用图像承载上下文” 的基础能力。

这次测试的完整代码已经放在 GitHub 上了，感兴趣的可以直接查看具体代码实现：https://github.com/JiauZhang/torchstudio/blob/main/torchstudio/vlm/visual_text.py

0基础怎么学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓