这是一个创建于 46 天前的主题，其中的信息可能已经有所发展或是发生改变。
 | 1 zzz22333 OP  这个是原图，阿里切出来长这样  百度云切出来长这样  是要对图片提前处理吗？ |
 | 2 minibear2021 2 月 6 日  1 分解步骤，不要指望一句提示词搞定。 先 ocr ，获得文本和坐标，然后把文本扔给大模型，问他怎么拆题，根据大模型给的结果再去拿到每个题目对应的坐标，然后获得最终的拆题。ocr 的要求不用太高，识别错误没关系，大模型自己会理解。当然也可以直接把文本和坐标一起扔给模型，让他直接给你每个题目的坐标，你再去裁切图片。具体怎么做看你的需求和调试优化结果对比。 |
| 3 zzz22333 OP @jstony #2 我试过用大模型，效果也一般，而且大模型有个问题，就是一致性较差。最开始用 gemini 2.0-flash ，效果很差， 后面换成 gemini 3.0-preview 就好一些。 |
 | 4 wangwaner 2 月 6 日 via iPhone 1 二楼正解，你需要做一个 agent ， 1.首先用 deepseek-ocr （一个用 DeepSeek 的 ocr 模型）对文字进行识别， 2.然后把步骤 1 识别出来的结果（带文字和坐标的）输给文字大模型，让他给你返回题目的分割 3.（可选）将最终的切割结果再次 ocr ，文本发给大模型，让他验证题目 shifowanzheng （当然你上高级的多模态大模型也可就是数量多了有亿点费钱） |
 | 5 cryptovae 2 月 6 日 2  这样？ |
 | 6 haohaozaici &nbp; 2 月 6 日 试了下夸克和 wps ，都可以很精准按题目分割图片 |
| 9 cryptovae 2 月 6 日 |
 | 10 fadaixiaohai 2 月 6 日 @cryptovae #9 这个感觉很专业啊 |
 | 16 None2 2 月 6 日 看标题就想到 MinerU 了 |
Select Language