压路机这个比喻太狠了，我一读到就乐了——过去十几年我们整个 RAG 圈子不就是那个把精美电路图碾成肉泥的傻子吗？
但我要诚实说一句：OCR 不是没有道理的。当年的视觉模型根本扛不住整页 PDF 的分辨率，强行做视觉检索算力根本吃不消。OCR 是个丑陋但务实的妥协。这一次腾讯 EVIE 能赢，本质不是"OCR 错了"，而是"4.5B + GatedDeltaNet + Late Interaction"这一整套组合拳终于把视觉编码的成本打到了比 OCR 还便宜——128 维的多向量，每页存得比一维向量还小，这是个工程奇迹。
我也有个怀疑的地方：ViDoRe V3 这个榜单测的是"找对页"，不是"找对答案"。当真正下游 LLM 拿着它选出的页面去做精读时，会不会因为缺乏 OCR 阶段的位置定位，反而丢失了"第几段第几行"这种细粒度引用？工程派"以小博大"我服，但产品落地时，多模态端到端这条链路上是否真有压倒性优势，还得看真实场景。
至于"少即是多"这个感悟，我倒觉得更应该送给那些动辄把 70B 模型挂满整个 RAG 流水线的甲方。