你有没有遇到过这种崩溃时刻：一个几十页的财务报表，你需要找某一行数字。PDF扔给AI，结果它给你返回的答案对不上，甚至找不到。你自己翻，表格乱了，数字串行了，原来那个结构精美的表，被系统"读取"之后，变成了一堆乱码。

这不是你的问题，也不是AI的问题。是整个文档搜索的底层架构，从一开始就走错了路。

过去十年，所有人都在用一种"翻译再搜索"的逻辑

你把一份PDF交给AI去理解，它干的第一件事是什么？

OCR

也就是光学字符识别——把图片里的文字，翻译成计算机能读的纯文本。听起来合理，对吧？但问题就出在这一步。

一张发票，原本有清晰的行列结构：品名、单价、数量、合计。经过OCR一"翻译"，表格的逻辑碎了，变成了：零件A 500 3 1500 合计 4500，一行平铺。

然后AI去这堆乱码里找"总价是多少"，找到了算你运气好，找不到，你只能手动翻。更惨的是图表。一张柱状图，OCR直接放弃，什么都读不出来。

这个痛点，工程师知道，做过数据处理的人知道，但大多数人以为这是"AI还不够强"，其实根本原因是：把图像硬翻成文字这件事本身就是在破坏信息。

腾讯刚发布的这个模型，选择了完全不同的路

上周，腾讯悄悄放出一个模型，叫 EVE Preview 4.5B。它做文档搜索的方式，和所有人都不一样——它不做OCR，完全不翻译，直接看图。

你问它："这张发票的总金额是多少？"

它不会先把发票变成文字，再去文字里找答案。它直接把这张发票的图片，和你的问题，转换成一组向量，然后在向量空间里做比对，直接告诉你：这一页，就是你要找的那一页。

这个设计哲学只有一句话：原始图像里有的信息，我一个字节都不丢。

表格的行列结构？保留。图表的视觉布局？保留。字体大小暗示的层级关系？也保留。OCR会毁掉的，它全都留下来了。

但"直接看图搜索"，难点在哪里？这里稍微深入一点，但我保证你能看懂。

普通的搜索逻辑是这样的：把文档压缩成一个"摘要向量"，你的问题也压缩成一个向量，两个向量做比较，越近越相关。问题是，整个文档被压成了一个点，细节全丢了。

EVE的做法叫“晚期交互”（Late Interaction）——它不把整页文档压成一个点，而是把每一小块区域（每个视觉patch）都保留成一个独立的向量。你的问题里每个词，也各自保留成一个向量。

搜索的时候，你问题里的每个词，分别去和文档里的每一块区域比对，找最像的那个，然后把所有得分加起来。

这意味着：就算整张页面99%的内容和你的问题无关，只要有那1%藏着答案，它照样能找到。

研究人员测试过这样一个场景：一页论文的参考文献，密密麻麻列了几十条引用。问它："哪篇论文第一次提出了page attention技术？"

它在几十条引用里，精确定位到了那一行。

一张显卡就能跑，门槛没你想象得高

这类模型，一般人的第一反应是：跑不起，硬件要求太高。

但EVE出人意料的轻量。

测试环境是一张 RTX A6000 显卡，模型加载完，显存占用大概10GB。按现在的显卡行情，消费级的 RTX 4090 也有24GB，完全够用。

不需要服务器集群，一台工作站，一张显卡，跑起来了。

而且向量压缩得很紧凑，每个patch只用128维向量表示。测算下来，100万页文档的索引，大概需要180GB存储——对于企业级档案搜索来说，这个数字是可接受的。

它能做什么，不能做什么——这里必须说清楚

EVE只做一件事：找到最相关的那一页。它会告诉你："第37页，相关度分数15.2，这页最可能有你要的答案。"

但它不会告诉你答案是多少。这是设计上的分工，不是缺陷。找页面是它的职责，读出具体数字，是下一个模型（视觉语言模型，类似GPT-4o那类）的事。

整个工作流程是：EVE找页 → 视觉语言模型读答案 → 你拿到结果。

一个精准的"索引员"，加一个懂看图的"阅读员"，两者分工明确。

这件事真正让我触动的，是背后那个信号。Tencent放出这个模型，在几个主流的视觉文档检索榜单上排了第一，而且参数量4.5B，比很多排名靠后的模型小得多。

这说明什么？

在AI这条赛道上，找对方向，比堆参数更重要。过去十年，所有人都默认：文档搜索必须先转文字。没人质疑这件事，因为这是"行业常识"。

EVE做的事，本质上是把这个常识掀了桌子：不对，图像本身就是信息，为什么要翻译？

这种思路的转变，影响的不只是文档搜索。它可能会重塑所有"先转文字再处理"的AI工作流——医疗报告、工程图纸、法律扫描件、多语言档案……只要是"图片里有结构化信息"的场景，这条路都值得重走一遍。

技术在迭代，但底层逻辑的转变，往往比版本更新更值得关注。下次你的AI搜索又找不到表格里的数字时，可以想想这件事。也许问题从来不是AI不够聪明，而是它从一开始就在读一份被翻译坏了的稿子。