即刻App年轻人的同好社区
下载
昨天晚上部署了一下，PaddleOCR-VL的服务，说下感受：
1. 解析效果没得说，计划后面把langparse项目添加单独一种解析方式，对于excel类型、pdf、图片解析友好，可以输出保持语义结构的json或者markdown，对于大模型推理友好
2. 部署操作，百度项目的易用性不好，因为他自己的一套体系和框架，比如推理框架只能用paddle来推理，而对于加速只能用他们分支的vllm，如果他们能够更加开放的拥抱开源，相信走的会更远
3.这个项目在H20上竟然占用了49G的显存，但他只是个0.9B的模型，那这种在生产环节上跑还是很吃算力的
#paddleocr-vl #文档解析
1. 解析效果没得说，计划后面把langparse项目添加单独一种解析方式，对于excel类型、pdf、图片解析友好，可以输出保持语义结构的json或者markdown，对于大模型推理友好
2. 部署操作，百度项目的易用性不好，因为他自己的一套体系和框架，比如推理框架只能用paddle来推理，而对于加速只能用他们分支的vllm，如果他们能够更加开放的拥抱开源，相信走的会更远
3.这个项目在H20上竟然占用了49G的显存，但他只是个0.9B的模型，那这种在生产环节上跑还是很吃算力的
#paddleocr-vl #文档解析
1 01
ima“任务模式”，用【ima知识库】大模型面试宝典 ima.qq.com
这个知识库做的面试方案
这个知识库做的面试方案
任务报告
2 01
近半年以来一直在做“企业知识库”的AI解决方案
，随着不断的深入，客户的需求也从最初的精准定位信息逐步转换到，如何让静态的知识动起来，发挥最大价值，那么就不仅仅是“信息检索”了，而应该是将历史知识和当下需求结合，动态进行推理生成。
ima发布2.0推出了“任务模式”，这是对知识库应用的进一步探索，刚试用了一下，完成度还挺高
最终报告如下：
ima.qq.com
，随着不断的深入，客户的需求也从最初的精准定位信息逐步转换到，如何让静态的知识动起来，发挥最大价值，那么就不仅仅是“信息检索”了，而应该是将历史知识和当下需求结合，动态进行推理生成。
ima发布2.0推出了“任务模式”，这是对知识库应用的进一步探索，刚试用了一下，完成度还挺高
最终报告如下：
ima.qq.com
03:03
1 01
昨天刚发布的Deepseek-OCR，今天经过自媒体的发酵，已经轰动与各个媒体，但在昨天之前baidu发布的Paddle-OCR也是值得关注，当然这两个是截然不同的事情
- DeepSeek-OCR，在做一场“信息压缩革命”。
它把文字当作可以“看”的东西，用图像来存储文本信息，再解码还原。
证明了：一张图能代表上千字，10× 压缩下几乎无损。
是探索“视觉取代语言”的前沿实验
- 在做一款“落地级文档解析引擎”。
用 NaViT + ERNIE 架构，支持 109 种语言，能识别文字、表格、公式、图表。
实测性能全球领先，比上一代快 15%，显存省 40%。
是真正能上生产线的多模态 OCR 系统。
针对deepseek，在探索视觉模态压缩文本信息是有效的、可量化的、可实用的，那这后面的关键是文本信息怎么转换成视觉模态（渲染成图片、光学表示或其他），需要持续关注。
PaddleOCR从评测看是目前比较好的兼具性能和效果的模型，能够极大RAG类应用效果。
- DeepSeek-OCR，在做一场“信息压缩革命”。
它把文字当作可以“看”的东西，用图像来存储文本信息，再解码还原。
证明了：一张图能代表上千字，10× 压缩下几乎无损。
是探索“视觉取代语言”的前沿实验
- 在做一款“落地级文档解析引擎”。
用 NaViT + ERNIE 架构，支持 109 种语言，能识别文字、表格、公式、图表。
实测性能全球领先，比上一代快 15%，显存省 40%。
是真正能上生产线的多模态 OCR 系统。
针对deepseek，在探索视觉模态压缩文本信息是有效的、可量化的、可实用的，那这后面的关键是文本信息怎么转换成视觉模态（渲染成图片、光学表示或其他），需要持续关注。
PaddleOCR从评测看是目前比较好的兼具性能和效果的模型，能够极大RAG类应用效果。
1 01
Qwen3-VL在git上开放了cookbook，提供针对Qwen3-VL的场景使用说明，
覆盖从视觉定位到长文档与视频理解、再到“电脑/手机”图形界面代理操作的主流场景：
主要 Demo（按场景） 
• 2D/3D Grounding: 在图像或三维场景中进行目标定位与引用表达理解，分别通过二维框和三维空间推断。
• OCR 与文档解析: 多语言文本识别、表格/版面结构理解、长文档层级抽取与问答。ocr.ipynb 、document_parsing.ipynb 、long_document_understanding.ipynb .
• 视频理解: 帧间时序与事件定位、长视频检索与问答、动态场景理解。video_understanding.ipynb .
• 空间与几何推理: 物体位置、视角、遮挡关系等空间理解。spatial_understanding.ipynb .
• 图形化思维与多图推理: 将图像作为“思维材料”进行链式推理与证据组织。think_with_images.ipynb .
• 通识识别（Omni Recognition）: 面向更广谱实体与品类的识别能力示例（人、动漫、商品、地标、生物等）。omni_recognition.ipynb .
• 计算机/手机代理（Agentic GUI Use）: 识别界面元素、调用工具、自动完成任务，覆盖 PC 与移动端交互。computer_use.ipynb 、mobile_agent.ipynb .
• 多模态代码生成（MMCode）: 由图像/视频生成可视化或前端代码（Draw.io/HTML/CSS/JS）。mmcode.ipynb .
覆盖从视觉定位到长文档与视频理解、再到“电脑/手机”图形界面代理操作的主流场景：
主要 Demo（按场景） 
• 2D/3D Grounding: 在图像或三维场景中进行目标定位与引用表达理解，分别通过二维框和三维空间推断。
• OCR 与文档解析: 多语言文本识别、表格/版面结构理解、长文档层级抽取与问答。ocr.ipynb 、document_parsing.ipynb 、long_document_understanding.ipynb .
• 视频理解: 帧间时序与事件定位、长视频检索与问答、动态场景理解。video_understanding.ipynb .
• 空间与几何推理: 物体位置、视角、遮挡关系等空间理解。spatial_understanding.ipynb .
• 图形化思维与多图推理: 将图像作为“思维材料”进行链式推理与证据组织。think_with_images.ipynb .
• 通识识别（Omni Recognition）: 面向更广谱实体与品类的识别能力示例（人、动漫、商品、地标、生物等）。omni_recognition.ipynb .
• 计算机/手机代理（Agentic GUI Use）: 识别界面元素、调用工具、自动完成任务，覆盖 PC 与移动端交互。computer_use.ipynb 、mobile_agent.ipynb .
• 多模态代码生成（MMCode）: 由图像/视频生成可视化或前端代码（Draw.io/HTML/CSS/JS）。mmcode.ipynb .
Qwen3-VL/cookbooks at main · QwenLM/Qwen3-VL
1 00
