@hmbb 非常感谢，感觉这个比 huggingface 上的强了不止一点

word 转图片有大佬了解过吗

@kuanat 感谢分享，我图像处理和 vlm 学的还行，但确实没从事过真正生产端的 ocr 开发，你提到的需求场景几乎都采用人工复核的方式，我思考的点正是源自于是否能提供另一种模式，仅在服务不提供输出时再进行人工复核，对于输出部分的内容可以百分百信任

@showonder 其实还是不太一样，说到底 ocr 本质基本是特征提取+分类，但 vlm 是有语义空间的，这种融合的说服力其实比单纯 ocr 的叠加要强上不少

@retrocode o(*￣￣*)ブ感谢分享，这个思路确实很新颖

@billbob 目前这个方案虽然无限降低了召回率，但几乎也过滤了所有假阳性的情况，现在比较头疼的点确实在于没法论证能达到百分百的准确率，直觉上来说总感觉就是无限逼近 100%

@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

@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

@paopjian 对，因为主要是账单的数字识别，文本上不会有太多

@gpt5 是的，主要还是预设业务场景属于要么不识别，要么尽量百分百识别的那种。所以想请各位大佬看看这个方案是否存在大的问题

@RotkPPP 对，主要就是如果单纯只用 ocr 识别，光看置信度不能保证出来的一定准，这种做法相当于用 VLM 加了一层校验

@8355 主要是有些业务场景，人家的要求是要么不识别，要么就要识别准，所以我才会有了这个方案

@victor ┭┮┭┮收徒弟吗

@chesha1 CosyVoice 3 好像还没开┭┮┭┮

@z1829909 哈哈，目前来看也只能这样了。

@NoOneNoBody 目前用的 deepseek ，主要还是担心批量给到模型后会影响输出质量

@hui9000 目前来看只能做到辅助，关键点还是多文档下 rag 准确率问题，llm 能力感觉是够的

@mumu9 非常感谢你的指点，我自己这几天也尝试了几种不同的方案，目前本地验证下来 qdrant+元数据过滤的模式可以是最符合我需要的，打算按这个思路进一步做做看

@mumu9 其实就是一大堆 word 文档，文档都是业务人员编写的，想看看能不能用 rag 节约点工作时间，不然每个文档一个一个找数据太麻烦了；大佬你说的内容压缩有什么关键词吗，搜了一圈没找到