TOON可降结构化输入成本但需实测验证

TOON 是一个面向大模型输入的结构化数据表示项目：视频称其以序列、缩进和表格化行替代 JSON 中重复的括号与字段结构，以降低输入 Token 开销。OCR 显示，它的目标场景是字段一致的对象数组，并明确表示更适合 LLM 输入而非输出。

可借鉴之处是将“数据交换格式”和“模型上下文格式”分开：应用内部仍可使用 JSON，在送入模型前按需转换为更紧凑的表示。这对批量用户记录、商品列表等规则表格数据可能有价值。

边界与风险也很明确：视频中的约 46% 节省与准确率比较均为作者转述，未给出测试模型、提示词、数据集和 Tokenizer，不能直接视为通用结论。OCR 同时提示深层嵌套或非均匀数据时 JSON 可能更高效；接入前应以自身模型、真实样本、解析失败率及端到端成本做对照测试。DeepSeek-OCR 是视频用来说明“视觉化压缩上下文”的另一项研究，但视频也指出其涉及重新训练模型，和 TOON 的轻量格式转换不是同一路径。