项目是这样的,财务对账审计,一家大概三四个excel,一个出库,一个入库,每个表100来个sheet每个sheet里一个图片,大概总的200来张,就是原始的出库入库三联的那种,还有一个对账单是execl数据不是图片的,然后生成对账单excel,最后就跟对账单对比一下.总的30来家账..
听说orkbuddy还可以,昨天试了一下,workbuddy国内版.太难了,开始跑了(极速)下午跑到晚上也没跑成,中间又开了glm5.3,三个小时跑了一半说什么子程序没什么,换到主程序,最后还跑费了.中间还开了个Step-5-Preview,三个小时跑是跑成了数据根本不行,识别的一塌糊涂..大家有没有什么好的方案推荐,还是我的方法不对.
2 Likes
mineru ocr 注册一个号每天有1000页的免费额度
2 Likes
看着很累 外包给我 一劳永逸。
2 Likes
你这个应该不是OCR的问题，我觉得更多的问题是在于你把东西扔给他，让它全自动处理，结果在这个过程中出了问题。最好是先把每一张图片全部提取出来，再让AI写一个脚本。每个图片一张一张的OCR，专业的问题在这边许愿，有时候可能会适得其反
1 Like
有时候一半图片,一半是excel表格,怎么提好一点,不专业的哈,现在就是提出到表格形式,有点难.
excel扔给mineru生成的是图片连接,连接再发给mineru是可以.这么多连接有点晕,有啥方法.
我记得好像在哪看到说阿里的ocr的最便宜，一张图才几分钱
看你的需求是似乎一次性的，新开个对话，先把结构和关系提取准确，后面再去处理图片解析的部分
这似乎不需要ocr吧 直接把所有excel扔一个目录 然后开codex一个会话 输入你的需求让他对账就好了 他自己会利用openpyxl 或者 其他的 自己读取自己做审计 你让他有什么问题提出来 人工核一遍 最后再确认就好了
本地部署一个mineru吧，让AI帮你干就行，很快的。
我也是想这样方便,图片质量比较一般,出入库用的针式打印机难认出来,想要识别厉害一点…codex没试过,要国内的公司准备买一个.
同意，俺也想要挣钱。
用传统的OCR模型就可以吧 ppocr那种的
方案是用AI调用mineru对吗,可以试试,要学习一下.
同求，我要把一整本学生的手册给他复刻到md文档，800页，普通ocr做不到，并且还得实现跳转，转向了AI ocr，最开始用的也是WorkBuddy，但是他的智商好像有问题，疑神疑鬼的，最后也试了几次，终于放弃了，目录排版有点错乱，主体内容可能被他删改了，无法保证可信度
这个要自己搭吧,有简单一点拿来就能用的吗?
本地方案 mineru-kit advanced 档 ocr 模式关图像解析最均衡（用的 vlm 重新识别布局，低档位会用 paddle 的 ppv2，效果还常比 paddle 自己的 v3 好，不知道为什么），有 cuda 或者 mac mlx／llama 跑本地很快。
想要批量高精度就让 luna 或者 haiku（比别的模型便宜，但这位视力不太好，对间隔长度很不敏感，综合不如 luna）对着 mineru 产出的页面小切片和结构信息细看核对，本质就是把 mineru 的 vlm 换掉，agent 有个 pymupdf 辅助会顺手很多，图片的话建议配个 opencv。
在线方案试试 paddle llama-parse（某些场景很强，但它会强制解析图表） mineru（之前用了感觉不如本地）
其他 teleocr 小米 ocr 阿里 logics 部署过都不如 mineru，还要自己写脚本。剩下的那些榜都刷不到 sota 的就不用看了
想要高质量的识别结果，正经 agent + 眼睛好的便宜大模型 + 好用的工具是免不了的，指望那些从 qwen 2／3 练出来的 0.x b 小模型一遍过高难任务是不现实的
2 Likes
没太明白,佬是用的OCR还是模型的视觉能力(多模态),这两个应该不是一个东西吧. OCR各家应该都有专门的服务,大模型视觉效果比较好的可能是豆包或者qwen