我的经验是直接用 LLM 。OCR 这步省掉，不然有些 OCR 识别出来以后结构有变化，反而会误导 LLM

我现在也是这个状态了，原领导调走，没指派新领导。组内另外一个人统管，要疯掉了

@mx2dream 资料是客户提供的所需生产信息。涉及到生产数量，价格等内容，很重要。但是小客户太多了，提供的内容格式五花八门，并且也没有资格去约束客户强制统一模板。当前就是人工获取 PDF 等信息，手动复制出来，确认开单。但是这样又会导致校验的人员在一些场景下给客户额外承诺，另外开单，导致库存累加，占用

@mx2dream 先使用传统 OCR ，再用 VLM 进行输出结果的方案。之前试过效果不好，因为部分场景下 OCR 识别结果模糊，或者表格等拆分错误。导致 VLM 也错了。不过我们的 RPA 供应商目前也在使用这种方案，不知道这是否是行业通用解决方案，有关联资料可以参考嘛？

目前我这边直接使用 qwen-2.5-vl-32B 。效果还可以。数据计算的部分由后面的 dify 代码节点完成。

当前正在测试机上测试，感谢提供指导

@wangmn 公司买的，10W

@bluryar 现有需求场景就是三个①知识库②智能客服问答③OCR

@cbythe434 别闹哥，公司干活用的

@bluryar 其他的目前只有用到一个向量模型，其他暂时没需求，一般小模型的企业内部有啥需求场景嘛，我们目前还没找到，所以没有这方面的考虑

@bluryar 是的，也有考虑直接使用一个 Qwen3-VL-235B-A22B 来完成所有功能。就是不知道实际效果，而且看官方是建议 8×80GB 。现有硬件性能不足

PaddleOCR-VL 才 0.9B.怎么跟 Qwen3-vl 比...
你用的是 Qwen3-vl-32B 版本吗，我这边想私有化部署。不知道私有化的识别效果怎么样，2.5-vl-32B 的还有一些场景效果不好

@SuperDaniel313 这不就是传统 RPA 的业务场景

@loloX 我是做业务流程自动化，不是测试自动化。比如现在有一个业务需求是登录系统 A ，然后点击菜单栏"信息录入"，然后在出现的表格上面把 excel 信息录入进去。

@duuu 目前最火的 n8n 和 dify 。一个是老牌的 workflow 工具，一个可以实现多 LLM 方便对接。如果 OPENAI 只允许使用自家的 LLM,那应该不容易获取用户吧，如果也选择开放 LLM ，又会影响自家的营收。刚刚试用了一下 Agent builder ，感觉还好简陋的状态

@mrbananaeros 感谢，另外还有个问题想请教下：如果开始节点上传的图片需要处理后再调用大模型识别。那如何做呢。我测试代码节点生成的类型好像都没法在 LLM 的视觉中获取

@tool2dx 你那边漏字的场景方便详细说下嘛；我试了 5 页 PDF 包含表格和多行文本，可以正常提取表格内容

@youyouzi ollama 。但是我不知道具体细节，运维帮我在弄

感谢各位指导，目前在线验证 Qwen2.5-VL-32B 识别效果非常好，除了部分数字场景千分位和小数点识别错误，其他都 OK 。私有化部署验证中

@beginor 一般的多模态大模型识别文本准确率不如 OCR 吧，我这边对精准度要求比较高。所以考虑 OCR 识别后 LLM 分析内容获取

@apkapb https://github.com/PaddlePaddle/PaddleOCR/discussions/16114
PaddleOCR 感觉已经很好了，可惜差一点点