智谱和DeepSeek撞论文了AI视觉Token大战撞车
刚发论文就撞车，智谱和DeepSeek这回在视觉Token方案上正面打了个照面。
前者刚开源Glyph，后者OCR方案还在热搜。两家都盯上了一个目标——用图像压缩文本Token，让大模型吃下更多内容、更省算力。
大模型能力是猛，但上下文太长一直是块难啃的骨头。
原来50K的上下文窗口想翻倍到100K，算力直接飙到4倍，关键是，效果未必更好。
信息太杂，模型不但不聪明，反而更迷糊。
所以这两年主要有3类解决方案：
- 拓展位置编码，但推理成本不降
- 优化注意力机制，速度快但Token还在
- 上RAG走检索，快是快，质量难说
先看智谱这边，这次选择了“看图说话”：
- 把长文本排版成图片当成输入
- 用视觉大模型一次性读完，不用Token拆碎再拼
- 同样长度的输入下，能看内容更多，还能理解整体结构
比如一部《简·爱》文本版本要240K Token，视觉形式只用80K视觉Token就能看完。
而DeepSeek靠OCR压缩Token，同样方向、不同路径：
- OCR更贴近真实文档解析场景
- Glyph更偏学术范式实验+训练体系完整设计
但从底层逻辑来看，两者都在试图把“像素”当作未来AI的基本单元。
卡帕西早就喊过：像素天然比文本更适合作为LLM输入。信息密度高、内容类型全、形式也灵活。
换句话说，文本是人类给机器的适配方案，而视觉输入，才更像AI自己“看世界”的方式。
这场撞车，也许是下一代AI范式切换的信号。
