This topic created in 282 days ago, the information mentioned may be changed or developed.
 |
1
 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
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。 |
1 |
3
@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
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
 这样？ |
 |
haohaozaiciFeb 6
6
试了下夸克和 wps ，都可以很精准按题目分割图片
|
 |
None2Feb 6
16
看标题就想到 MinerU 了
|
Select Language