Catalog

多模態應用

影像、語音與文件理解的實作，含 OCR、版面解析與跨模態檢索。

全部主題 提示工程 RAG 檢索增強 Agent 開發 模型微調 部署與推理優化 資料處理與評測 多模態應用 工具與工作流
不限 免費 VIP 專屬 全難度 入門 進階 實戰
符合條件：6 篇
文件理解流程：OCR、版面解析與模型各自負責什麼
免費 多模態應用 進階
文件理解流程：OCR、版面解析與模型各自負責什麼
把整份 PDF 丟給視覺模型不是最好的做法。分工的流程更準也更便宜。
2026-08-24
9 分鐘
 從圖片抽取結構化資料：發票與表單的實作模式
免費 多模態應用 進階
從圖片抽取結構化資料：發票與表單的實作模式
單據辨識不要用自由問答，用 schema 約束加上欄位驗證。
2026-08-22
8 分鐘
 語音轉文字之後：標點、分段與講者辨識
免費 多模態應用 進階
語音轉文字之後：標點、分段與講者辨識
原始逐字稿幾乎不能直接用。後處理決定了它的實用價值。
2026-08-20
8 分鐘
 影片理解的取樣策略：不要每一幀都送
免費 多模態應用 進階
影片理解的取樣策略：不要每一幀都送
影片內容分析的成本主要來自幀數。取樣策略決定了成本與品質。
2026-08-14
8 分鐘
 圖片生成接進產品：提示、種子與版權的三個現實問題
免費 多模態應用 進階
圖片生成接進產品：提示、種子與版權的三個現實問題
生成圖不難，難的是穩定、可重現與可商用。
2026-08-12
8 分鐘
 多模態輸出的驗證：怎麼確認模型真的看懂了
免費 多模態應用 進階
多模態輸出的驗證：怎麼確認模型真的看懂了
視覺任務的錯誤特別隱蔽，因為輸出看起來永遠很合理。
2026-08-08
9 分鐘