内存直降50%，token需求少56%！用视觉方式处理长文本

南京理工等高校团队在NeurIPS 2025提出VIST框架，利用视觉编码器对长文本进行高效Token压缩，模拟人类“快–慢阅读”机制，将非关键上下文转为图像处理，核心内容仍由LLM直接解析。实验显示，该方法使视觉Token减少56%（1024→448），显存消耗降低50%，并在开放域问答和11项ICL任务中优于文本压缩基线。同时，其视觉分词方式在多语言环境下可减少27%-78%的Token数量，展现出在长上下文、多语言及多模态场景中的广泛潜力。
来源：https://mp.weixin.qq.com/s/bFVGpvsv7RruocL7YplhNw