@RotkPPP 识别模糊粘连的号码 ocr 不如视觉模型

@paopjian 对，因为主要是账单的数字识别，文本上不会有太多

忘了哪里看到的，似乎可以先放大再进行 OCR ，这样识别准确率就会提高

阿里已经有了 我前些阵子测试了一下 效果只能说一般

@gbw1992 一般主要是体现在出现了大量的 False Rejection 吗，其实这个方案只有能保证识别出来的没问题，我觉得就 ok 了

但这样做计算开销比较大

我们使用了 QwenVL2.5 7B 在资质图片场景下做了大量的结构化信息提取 ，总的效果还是比 OCR 要好的，但是存在一定幻觉 比如信息自动补全，和联想的情况。如果图片重点字段出现的位置类似 可以在对话的时候 提供左上和右下两个点位的坐标 来提示模型提取重点区域 会优化提取效果。至于 ocr 信息辅助模型进行提取，也是已经验证过的好办法，但是模型结果用来和 ocr 做对比 我觉得只会在一些对准确容忍度非常低的场景 如金融票据才会采用。但是金融票据往往是标准票据 ocr 已经很能打了，非标场景才是 VL 模型的发挥阵地

@InkAndBanner 感谢分享，vlm 这块你们有试过 InternVL 或者 glmVL 吗，看最近的分数都挺高但是不知道实际能力和 qwen 比如何

既然是代码+代码实现 100%，那为什么不一步到位？既然能够一步到位，那么早就该有 100%的 OCR 。

还有一个缺陷吧，速度下去了