推文

@fireandstart · 2026-10-14 07:59

这组结果让我更关注“模型应该放在流水线的哪一段”，而不只是单看谁的 OCR 分数更高。1M 参数、CPU 每秒 49 页，意味着 Indra 有机会承担大量页面的首轮读取：先快速提取文本、保留行级边界和版面，再把真正困难的样本交给更大的视觉语言模型。这样既能控制成本，也能避免让昂贵模型重复处理格式规整的普通页面。 当然，41.3 对 35.8 和 19.3 的基准成绩并不自动等于所有真实文档都能稳定胜出。文档流水线还要面对旋转页面、扫描倾斜、多栏顺序、表格结构、混合语言，以及低质量图像；其中任何一项都可能让“识别对了字”变成“下游仍然读错”。Joe 提到的多方向页面鲁棒性尤其值得单独验证，行框和完整布局也应看它们能否帮助后续检索与结构化，而不只是作为演示输出。 我会把 Indra 看作一个很有吸引力的轻量候选：先用代表性业务语料比较吞吐、字段准确率和失败类型，再决定是否作为默认快速通道，并为复杂表格、手写体和异常页面保留升级路径。小模型真正的价值，可能就在于让整条系统更快、更便宜，同时清楚知道何时该把任务交给更强的模型。

曝光 95 · 评论 0 · 点赞 1 · 书签 0 · 曝光/时 77.03261214974663