Pixel Linguist II：像素文本表示学习的设计原则与新视觉编码器

论文提出像素文本表示学习的四项设计原则：可变分辨率与渲染字号、自然图文对做 grounding、布局感知渲染防止像素级捷径、两阶段多语言课程。基于此训练的 Pixel Linguist II 视觉编码器在英文、跨语言和多语言 Visual STS 及 ViDoRe 上取得 SOTA，并在 80% 视觉 token 压缩下保持鲁棒。