AIAI学习站
继续学习
本章进度 17 / 19
89%
大模型怎样工作·判断·13 分钟
正文已完成

原图、OCR 与结构化数据该用哪一种

根据布局理解、精确文字和计算需求选择输入组合，并为冲突信息设定权威源。

L055
为什么现在学

把“多模态输入”从听懂变成会判断，避免遇到真实任务时仍靠感觉选择。

本课会用什么
  • 无需安装新工具
  • 准备一个可对照的真实问题或样本

同一张票据可以作为像素、OCR 文本或字段 JSON 输入。原图保留布局，OCR 提供文字，结构化字段便于计算。

这一课的结果

能为一个图文任务选择合适的模态组合，说明各自职责、冲突处理与隐私边界。

核心概念

先把关键判断说清楚

01

原图保留布局

位置、颜色、印章和表格关系依赖视觉输入，但小字识别与精确计数可能不稳定。

02

OCR 提供可搜索文字

OCR 方便定位与比对，却可能漏字符、混淆单位，并丢失部分空间关系。

03

结构化数据支持校验

字段和类型便于计算、规则检查与下游系统消费，但前提是提取过程有来源和置信信息。

04

冲突必须有裁决规则

原图、OCR 与系统字段不一致时，要规定权威来源、复核人和禁止自动处理的条件。

05

多模态也要最小化

图片可能包含人脸、定位和边缘信息；只提供完成任务需要的区域和元数据。

案例拆解

发票 OCR 丢掉小数点

OCR 把发票金额 128.50 识别成 12850，结构化接口照单入账，而原图中小数点清晰可见。

  1. 01

    用 OCR 提供候选文字而非最终事实

  2. 02

    金额字段与原图区域绑定，并用总额关系做结构校验

  3. 03

    冲突或校验失败时暂停入账，交给财务复核

案例结果

三种表示各司其职，自动化不会把识别错误直接放大成财务动作。

提交前练习

现在轮到你

为票据审核任务设计原图、OCR 和结构化字段的输入分工。

完成本课需要：完成以下内容用于本课收口。

内容会自动保存在当前设备
查看参考答案与评分标准

参考答案

原图用于版式与金额区域核对，OCR 用于搜索商户和条目，JSON 用于类型校验与求和；金额与税额必须满足总额关系且链接原图框；冲突转财务确认；裁掉无关背景并遮盖个人账号。

评分标准

  • 三种输入职责不同
  • 冲突不会被模型静默选择
  • 隐私处理具体到字段或区域

本课收口 · 应用检查

完成一次应用，再检查理解

完成一次必填练习，再通过理解检查；阅读标记和总结不设硬门槛。

0 / 2
02完成本课必填练习0 / 4 项必填内容已填写03通过理解检查点此去回答，约 30 秒
04补一句总结（可选）可以留空，不影响完成本课。
OCR 金额与原图金额不一致时，哪种处理最稳妥？
你现在更接近哪一种状态？
尚有必填项未完成，请补齐后再继续。

资料来源

继续核对与延伸阅读

本课内容最近更新于 。