据@godofprompt分享，arXiv论文提出一款面向超高分辨率输入的视觉语言模型。根据arXiv，该模型可端到端处理4K图像，在零样本OCR、图表理解与文档问答上取得领先而无需特定任务微调。论文在arXiv指出，其在DocVQA与ChartQA上表现具竞争力，同时保持通用多模态推理能力；核心方法为瓦片级特征聚合与分辨率感知位置编码以保留小目标细节。根据arXiv的实验与案例，这对企业场景如自动化文档录入、发票解析、零售货架识别与高分辨率质检具有直接商业价值。