这份清单把文档、图片和音频放进同一条“原始资料→可用信息”的链路，比单纯罗列模型更接近真实项目。很多 AI 演示看似卡在推理，其实失败更早：扫描件 OCR … · @fireandstart · TwKit

@fireandstart

这份清单把文档、图片和音频放进同一条“原始资料→可用信息”的链路，比单纯罗列模型更接近真实项目。很多 AI 演示看似卡在推理，其实失败更早：扫描件 OCR 错了，表格和阅读顺序被打散，长音频转写丢掉专名，最终检索到的上下文从源头就不可靠。Docling、Marker、Surya 与 PaddleOCR 解决的并非同一个问题，选型要看输入格式、版面复杂度、语言和准确率要求，再决定组合，而不是把十个仓库一股脑塞进 pipeline。 SIE 把多类模型放进统一的自托管推理层，这个方向值得关注：统一 API 和按需加载可能减少服务拼装成本。但“100+ 模型”本身不是收益，还要核算冷启动、显存峰值、吞吐、版本管理和故障隔离，否则只是把多套依赖搬进一个更大的服务。Whisper 与 faster-whisper 的取舍，也应在自己的语言、音频长度和硬件上测，不能只凭项目介绍推断速度与资源占用。 更该沉淀的是每一环的质量边界：保留原文件与页码或时间戳，记录 OCR/转写置信度，对表格、数字、专名抽样复核，并把解析失败显式交给下游。这样 RAG 或 Agent 才能引用可追溯证据，资料质量不足时也能拒绝编答案。模型会继续变强，但可靠的输入处理、评估集和人工校验，仍是把 AI 从演示带进日常工作的基础。

曝光 14 · 评论 0 · 点赞 0 · 书签 0