{ "text": "各位朋友大家好,欢迎大家关注昆蓬Talk。那百度又推出了新的OCR的模型叫PadPad OCR V6。那很多人说它前段时间不是出了一个PadPad OCR VL1.6吗?确实。我刚看了这个的时候,我以为我看错眼了。我特地去翻了一下我5月28号的视频,就是介绍这个VL1.6的模型。它确实推出了一个OCR V6的一个版本。那这个模型跟它俩的一个区别是啥呢?那目前呢,这个PP OCR呢,它不是基于VRM的一个模型,\n这个模式。那这个VL呢,它是基于VRM,就是大语言模型的这个模式。那它这个OCR呢,是基于原来的OCR5上面升级上来的。那这个呢,是基于它的一个升级的版本。它还是基于它传统的那个架构。所以呢,它更轻量。你比如说那个,这个是0.9b的一个参数。那我们看一下这个,它这个V6,它有多个版本哈。然后呢,它的最小的版本,它都是几兆的一个参数,非常非常小。而且,你看350万的,150万的,150万的。\n这个是350万的一个参数,非常小。就是,基本上可以在CPU上来去运行。当然了,它虽然小,但是它的性能不输那些大模型。比如说,我们来看一下它的一个能力哈。这个是,它在这个平均分数上,它的84分。你看那个,GPT5.5才45分。\n它是,它是在手机上可以运行的一个版本。那我们来看一下哈。它其实官方,它提供了好几个,呃,呃,模型哈。比如说,ONIX,就是这种版本的,就可以在手机上无缝去运行。那我们来看一下哈。这个是它官网的一个介绍。\n那我们来看一下哈。这个是它官网的一个介绍。我刚开始看了的时候,我以为我看错了,确实没看错哈。这是它的一个模型的一个能力。整个的一个能力呢,不管是,那个,呃,呃,Tiny的一个模型,还是它的这个Midia这个模型的整个的一个能力都是非常非常强的。呃,百度的OCR呢,我之前说过,确实是他们最牛逼的一个产品哈。就是在AI里。\n啊,无人能力啊,这个确实是。那它目前呢,也在那个HunkFace上开源了。然后呢,在它的官网上,我们可以也可以看到它。然后这里面,呃,前段时间又就有人问我说,哎,这个MCP在Codex里面怎么用。嗯,我的Codex,我就给大家介绍一下哈。因为我这个Codex不知道那个我都恢复没哈。我来看一下。其实安装就到AI时代了,你不管怎么说,你把它发给它就行了。呃,帮我安装这个MCP。\n确实有人问如何在Codex里面去安装哈。其实就把这部分的信息复制过来就行了。然后这里面OXS token也在这里面。大家不能看哈,这个一会我就删掉了。我现在就去删掉。等会吧,等我把这个视频录完。然后点这儿获取令牌就行了。然后它在这里面可以获取到它的令牌,你可以把它删掉。直接刷信一下,它就变了。那我们先不管它了。呃,让它看一下,我们看一下额度恢复,恢复没恢复哈。啊,恢复了。好的,我们稍等一下。嗯。那我趁\n它在之前的过程当中,我也跟大家说一下,在设置里面。在设置里面,MCP服务器里面也可以在这儿来手动,啊,手动设置。比如说启动命令啊。然后这个,呃,参数啊,和它的环境变量。那,但是呢,呃,我们一般不手动设置哈。有了AI之后,其实它也花不了几个token。所以我们一般正常情况,肯定是用AI来生成的。\n也让它加进来了,就是在这儿。我们可以看到。那,那,它说重启之后才可以使用。那我们把它关了,重新启一下。OK,我们随便传一张照片哈。看一下桌面上有没有照片。嗯,桌面上有没有。找一个要提取照片的。嗯,我找一个,就我用AI生成的吧。帮我提取。\n帮我调用PP-OCRV6。帮我调用PP-OCRV6这个MCP。然后提取图片的内容。变得文字内容吧。然后PP-OCRV6,对。看它提起的效果。我们再继续稍等一下。啊,我们可以看一下。\n它已经把完整的内容已经提取出来了。那,其实这个呢,不重要哈。就是,主要是给大家介绍一下,这个MCP是怎么去安装的。其实,不管是Codex,Codeout,Code,还是小东西,其实都一样。呃,我觉得这个最基本的哈,就是人把东西发给他。你不会的,就直接问AI就行了。就这么简单。那,百度的模型的能力一直都非常强。那,这个,OCRV6呢,它还有几个手机的一个版本。就是,我们可以在手机上去安装,测试,验证。呃,非常的方便。呃,它的手机端的地址,呃,\n这是安卓的地址,呃,还有IOS的地址,呃,都是一样的。因为它可以支持在安卓手机上的去这个,上面去做测试。因为它只有几兆的一个大小,完全可以跑起来。而且在,呃,浮器上,呃,就算你没有,呃,那个,GPU在CPU上跑的速度也挺快的。\n那,模型,它不是大模,不是基于VLM大语言模型的一个模型,它是纯视觉的一个模型。那,它的一个效果呢,也是,呃,秒杀了。目前,顶级了SOSA的这些模型,能力确实非常强啊。\n当然呢,说的是OCR提取啊,比如说OCR,呃,图片理解,它做不到啊,那个呢,就得用VL1.6的那个,VL1.6呢,它是做通用文档识别提取的。那这个OCR呢,它就是做图片,就视觉模型。啊,它没办法进行推理。那,这就是二者的一个区别。那,好的,今天就介绍的,然后呢,感兴趣的话,可以自己来尝试一下,也可以把它接入到你的所有的Agent里面去尝试一下。那,好的,今天就介绍的,谢谢大家。", "language": "zh", "duration": 365.458875, "segments": [ { "id": 0, "seek": 0, "start": 0.0, "end": 29.98, "text": "各位朋友大家好,欢迎大家关注昆蓬Talk。那百度又推出了新的OCR的模型叫PadPad OCR V6。那很多人说它前段时间不是出了一个PadPad OCR VL1.6吗?确实。我刚看了这个的时候,我以为我看错眼了。我特地去翻了一下我5月28号的视频,就是介绍这个VL1.6的模型。它确实推出了一个OCR V6的一个版本。那这个模型跟它俩的一个区别是啥呢?那目前呢,这个PP OCR呢,它不是基于VRM的一个模型,", "tokens": [ 50365, 22073, 19828, 15248, 11, 28566, 17699, 6868, 28053, 26432, 1431, 228, 39198, 105, 33210, 1543, 4184, 31906, 13127, 17047, 33597, 7781, 2289, 12560, 1546, 46, 18547, 1546, 41908, 39823, 19855, 50112, 50112, 422, 18547, 691, 21, 1543, 4184, 20778, 4035, 8090, 11284, 8945, 28427, 44848, 7296, 7781, 2289, 20182, 50112, 50112, 422, 18547, 691, 43, 16, 13, 21, 14769, 30, 38114, 106, 24726, 1543, 1654, 49160, 4200, 2289, 15368, 49873, 11, 1654, 3588, 13992, 1654, 4200, 29900, 25281, 2289, 1543, 1654, 17682, 10928, 6734, 42716, 2289, 8861, 1654, 20, 6939, 11205, 26987, 1546, 40656, 39752, 11, 5620, 30312, 10115, 235, 15368, 53, 43, 16, 13, 21, 1546, 41908, 39823, 1543, 11284, 38114, 106, 24726, 33597, 7781, 2289, 20182, 46, 18547, 691, 21, 1546, 20182, 42096, 8802, 1543, 4184, 15368, 41908, 39823, 9678, 11284, 7792, 102, 1546, 20182, 9937, 118, 18453, 1541, 3284, 98, 6240, 30, 4184, 39004, 6240, 11, 15368, 17755, 422, 18547, 6240, 11, 11284, 7296, 26008, 37732, 44358, 44, 1546, 20182, 41908, 39823, 11, 51864 ], "temperature": 0, "avg_logprob": -0.1693850297194261, "compression_ratio": 1.4277286135693215, "no_speech_prob": 9.221243560397774e-12, "source": "whisper" }, { "id": 1, "seek": 3000, "start": 30.0, "end": 59.980000000000004, "text": "这个模式。那这个VL呢,它是基于VRM,就是大语言模型的这个模式。那它这个OCR呢,是基于原来的OCR5上面升级上来的。那这个呢,是基于它的一个升级的版本。它还是基于它传统的那个架构。所以呢,它更轻量。你比如说那个,这个是0.9b的一个参数。那我们看一下这个,它这个V6,它有多个版本哈。然后呢,它的最小的版本,它都是几兆的一个参数,非常非常小。而且,你看350万的,150万的,150万的。", "tokens": [ 50365, 15368, 41908, 27584, 1543, 4184, 15368, 53, 43, 6240, 11, 11284, 1541, 26008, 37732, 44358, 44, 11, 5620, 3582, 5233, 255, 12009, 41908, 39823, 1546, 15368, 41908, 27584, 1543, 4184, 11284, 15368, 46, 18547, 6240, 11, 1541, 26008, 37732, 19683, 6912, 1546, 46, 18547, 20, 49750, 41670, 16853, 100, 5708, 6912, 1546, 1543, 4184, 15368, 6240, 11, 1541, 26008, 37732, 45224, 20182, 41670, 16853, 100, 1546, 42096, 8802, 1543, 11284, 45726, 26008, 37732, 11284, 7384, 254, 10115, 253, 1546, 43083, 7360, 114, 7360, 226, 1543, 40685, 11, 11284, 19002, 17819, 119, 26748, 1543, 2166, 36757, 8090, 43083, 11, 15368, 1541, 15, 13, 24, 65, 1546, 20182, 2129, 224, 33188, 1543, 4184, 15003, 28324, 15368, 11, 11284, 15368, 53, 21, 11, 11284, 2412, 6392, 7549, 42096, 8802, 10595, 1543, 26636, 6240, 11, 45224, 8661, 7322, 1546, 42096, 8802, 11, 11284, 22796, 6336, 254, 2347, 228, 1546, 20182, 2129, 224, 33188, 11, 14392, 14392, 7322, 1543, 22942, 11, 16529, 36027, 23570, 1546, 11, 20120, 23570, 1546, 11, 20120, 23570, 1546, 1543, 51864 ], "temperature": 0, "avg_logprob": -0.0972491086915482, "compression_ratio": 1.65359477124183, "no_speech_prob": 1.5936318237264047e-11, "source": "whisper" }, { "id": 2, "seek": 6000, "start": 60.0, "end": 90.0, "text": "这个是350万的一个参数,非常小。就是,基本上可以在CPU上来去运行。当然了,它虽然小,但是它的性能不输那些大模型。比如说,我们来看一下它的一个能力哈。这个是,它在这个平均分数上,它的84分。你看那个,GPT5.5才45分。", "tokens": [ 50365, 15368, 1541, 36027, 23570, 1546, 20182, 2129, 224, 33188, 11, 14392, 7322, 1543, 5620, 11, 37946, 5708, 6723, 3581, 34, 8115, 5708, 6912, 6734, 3316, 238, 8082, 1543, 40486, 2289, 11, 11284, 12026, 121, 5823, 7322, 11, 11189, 45224, 21686, 8225, 1960, 9830, 241, 4184, 13824, 3582, 41908, 39823, 1543, 36757, 8090, 11, 15003, 6912, 28324, 45224, 20182, 8225, 13486, 10595, 1543, 15368, 1541, 11, 11284, 3581, 15368, 16716, 14872, 229, 6627, 33188, 5708, 11, 45224, 25494, 6627, 1543, 16529, 43083, 11, 38, 47, 51, 20, 13, 20, 18888, 8465, 6627, 1543 ], "temperature": 0, "avg_logprob": -0.17696571350097656, "compression_ratio": 1.2203389830508475, "no_speech_prob": 1.445140795225397e-11, "source": "whisper" }, { "id": 3, "seek": 9000, "start": 90.0, "end": 102.0, "text": "它是,它是在手机上可以运行的一个版本。那我们来看一下哈。它其实官方,它提供了好几个,呃,呃,模型哈。比如说,ONIX,就是这种版本的,就可以在手机上无缝去运行。那我们来看一下哈。这个是它官网的一个介绍。", "tokens": [ 50365, 11284, 1541, 11, 11284, 1541, 3581, 11389, 37960, 5708, 6723, 3316, 238, 8082, 1546, 20182, 42096, 8802, 1543, 4184, 15003, 6912, 28324, 10595, 1543, 11284, 41646, 31929, 9249, 11, 11284, 20949, 3254, 249, 2289, 2131, 6336, 254, 7549, 11, 3606, 225, 11, 3606, 225, 11, 41908, 39823, 10595, 1543, 36757, 8090, 11, 1928, 21124, 11, 5620, 5562, 39810, 42096, 8802, 1546, 11, 36781, 3581, 11389, 37960, 5708, 31364, 38109, 251, 6734, 3316, 238, 8082, 1543, 4184, 15003, 6912, 28324, 10595, 1543, 15368, 1541, 11284, 31929, 16469, 239, 1546, 20182, 30312, 10115, 235, 1543, 50965 ], "temperature": 0, "avg_logprob": -0.19878770887237235, "compression_ratio": 1.395, "no_speech_prob": 1.6499062532870923e-11, "source": "whisper" }, { "id": 4, "seek": 10200, "start": 102.0, "end": 120.0, "text": "那我们来看一下哈。这个是它官网的一个介绍。我刚开始看了的时候,我以为我看错了,确实没看错哈。这是它的一个模型的一个能力。整个的一个能力呢,不管是,那个,呃,呃,Tiny的一个模型,还是它的这个Midia这个模型的整个的一个能力都是非常非常强的。呃,百度的OCR呢,我之前说过,确实是他们最牛逼的一个产品哈。就是在AI里。", "tokens": [ 50365, 4184, 15003, 6912, 28324, 10595, 1543, 15368, 1541, 11284, 31929, 16469, 239, 1546, 20182, 30312, 10115, 235, 1543, 1654, 49160, 45213, 4200, 2289, 49873, 11, 1654, 3588, 13992, 1654, 4200, 29900, 2289, 11, 38114, 106, 24726, 10062, 4200, 29900, 10595, 1543, 27455, 45224, 20182, 41908, 39823, 1546, 20182, 8225, 13486, 1543, 27662, 7549, 1546, 20182, 8225, 13486, 6240, 11, 45376, 1541, 11, 43083, 11, 3606, 225, 11, 3606, 225, 11, 51, 3519, 1546, 20182, 41908, 39823, 11, 45726, 45224, 15368, 44, 327, 654, 15368, 41908, 39823, 1546, 27662, 7549, 1546, 20182, 8225, 13486, 22796, 14392, 14392, 5702, 118, 1546, 1543, 3606, 225, 11, 31906, 13127, 1546, 46, 18547, 6240, 11, 1654, 32442, 8090, 16866, 11, 38114, 106, 24726, 1541, 47911, 8661, 40003, 2215, 120, 1546, 20182, 1369, 100, 30246, 10595, 1543, 5620, 3581, 48698, 15759, 1543, 51265 ], "temperature": 0, "avg_logprob": -0.15872129712785993, "compression_ratio": 1.519434628975265, "no_speech_prob": 1.6705912694869873e-11, "source": "whisper" }, { "id": 5, "seek": 12000, "start": 120.0, "end": 150.0, "text": "啊,无人能力啊,这个确实是。那它目前呢,也在那个HunkFace上开源了。然后呢,在它的官网上,我们可以也可以看到它。然后这里面,呃,前段时间又就有人问我说,哎,这个MCP在Codex里面怎么用。嗯,我的Codex,我就给大家介绍一下哈。因为我这个Codex不知道那个我都恢复没哈。我来看一下。其实安装就到AI时代了,你不管怎么说,你把它发给它就行了。呃,帮我安装这个MCP。", "tokens": [ 50365, 4905, 11, 31364, 4035, 8225, 13486, 4905, 11, 15368, 38114, 106, 24726, 1541, 1543, 4184, 11284, 39004, 6240, 11, 6404, 3581, 43083, 39, 3197, 37, 617, 5708, 18937, 47402, 2289, 1543, 26636, 6240, 11, 3581, 45224, 31929, 16469, 239, 5708, 11, 15003, 6723, 47935, 18032, 11284, 1543, 26636, 35102, 8833, 11, 3606, 225, 11, 8945, 28427, 44848, 17047, 3111, 45820, 22064, 1654, 8090, 11, 26755, 11, 15368, 44, 20049, 3581, 34, 1429, 87, 15759, 8833, 15282, 9254, 1543, 21206, 11, 14200, 34, 1429, 87, 11, 22020, 23197, 6868, 30312, 10115, 235, 8861, 10595, 1543, 34627, 1654, 15368, 34, 1429, 87, 17572, 43083, 1654, 7182, 11845, 95, 1787, 235, 10062, 10595, 1543, 1654, 6912, 28324, 1543, 41646, 16206, 8083, 227, 3111, 4511, 48698, 15729, 19105, 2289, 11, 2166, 45376, 15282, 8090, 11, 2166, 42061, 28926, 23197, 11284, 3111, 46606, 1543, 3606, 225, 11, 4845, 106, 1654, 16206, 8083, 227, 15368, 44, 20049, 1543, 51865 ], "temperature": 0, "avg_logprob": -0.2418912826045867, "compression_ratio": 1.377906976744186, "no_speech_prob": 1.545725700213829e-11, "source": "whisper" }, { "id": 6, "seek": 15000, "start": 150.0, "end": 180.0, "text": "确实有人问如何在Codex里面去安装哈。其实就把这部分的信息复制过来就行了。然后这里面OXS token也在这里面。大家不能看哈,这个一会我就删掉了。我现在就去删掉。等会吧,等我把这个视频录完。然后点这儿获取令牌就行了。然后它在这里面可以获取到它的令牌,你可以把它删掉。直接刷信一下,它就变了。那我们先不管它了。呃,让它看一下,我们看一下额度恢复,恢复没恢复哈。啊,恢复了。好的,我们稍等一下。嗯。那我趁", "tokens": [ 50365, 38114, 106, 24726, 45820, 22064, 43526, 3581, 34, 1429, 87, 15759, 8833, 6734, 16206, 8083, 227, 10595, 1543, 41646, 3111, 16075, 5562, 32174, 1546, 17665, 26460, 1787, 235, 25491, 16866, 6912, 3111, 46606, 1543, 26636, 35102, 8833, 46, 55, 50, 14862, 6404, 3581, 35102, 8833, 1543, 6868, 28590, 4200, 10595, 11, 15368, 2257, 12949, 22020, 2437, 254, 29327, 2289, 1543, 1654, 25040, 3111, 6734, 2437, 254, 29327, 1543, 10187, 12949, 6062, 11, 10187, 1654, 16075, 15368, 40656, 39752, 7391, 243, 14128, 1543, 26636, 12579, 5562, 22933, 31127, 115, 29436, 49061, 6935, 234, 3111, 46606, 1543, 26636, 11284, 3581, 35102, 8833, 6723, 31127, 115, 29436, 4511, 45224, 49061, 6935, 234, 11, 42766, 42061, 2437, 254, 29327, 1543, 43297, 2437, 115, 17665, 8861, 11, 11284, 3111, 2129, 246, 2289, 1543, 4184, 15003, 10108, 45376, 11284, 2289, 1543, 3606, 225, 11, 33650, 11284, 28324, 11, 15003, 28324, 12501, 251, 13127, 11845, 95, 1787, 235, 11, 11845, 95, 1787, 235, 10062, 11845, 95, 1787, 235, 10595, 1543, 4905, 11, 11845, 95, 1787, 235, 2289, 1543, 20715, 11, 15003, 10415, 235, 24554, 1543, 21206, 1543, 4184, 1654, 9759, 223 ], "temperature": 0, "avg_logprob": -0.1972683322045111, "compression_ratio": 1.5469613259668509, "no_speech_prob": 1.515543072982961e-11, "source": "whisper" }, { "id": 7, "seek": 18000, "start": 180.0, "end": 210.0, "text": "它在之前的过程当中,我也跟大家说一下,在设置里面。在设置里面,MCP服务器里面也可以在这儿来手动,啊,手动设置。比如说启动命令啊。然后这个,呃,参数啊,和它的环境变量。那,但是呢,呃,我们一般不手动设置哈。有了AI之后,其实它也花不了几个token。所以我们一般正常情况,肯定是用AI来生成的。", "tokens": [ 50365, 11284, 3581, 32442, 1546, 16866, 29649, 16233, 5975, 11, 27761, 47349, 8090, 8861, 11, 3581, 7422, 122, 34719, 15759, 8833, 1543, 3581, 7422, 122, 34719, 15759, 8833, 11, 44, 20049, 27408, 5087, 94, 34386, 15759, 8833, 47935, 3581, 5562, 22933, 6912, 11389, 34961, 11, 4905, 11, 11389, 34961, 7422, 122, 34719, 1543, 36757, 8090, 2392, 107, 34961, 25236, 49061, 4905, 1543, 26636, 15368, 11, 3606, 225, 11, 2129, 224, 33188, 4905, 11, 12565, 45224, 8051, 107, 47885, 2129, 246, 26748, 1543, 4184, 11, 11189, 6240, 11, 3606, 225, 11, 15003, 2257, 49640, 1960, 11389, 34961, 7422, 122, 34719, 10595, 1543, 2412, 2289, 48698, 9574, 13547, 11, 41646, 11284, 6404, 20127, 47225, 6336, 254, 7549, 83, 8406, 1543, 7239, 15003, 2257, 49640, 15789, 11279, 46514, 11, 14356, 107, 12088, 1541, 9254, 48698, 6912, 8244, 11336, 1546, 1543 ], "temperature": 0, "avg_logprob": -0.18590202884397644, "compression_ratio": 1.3164983164983164, "no_speech_prob": 1.6813155034878235e-11, "source": "whisper" }, { "id": 8, "seek": 21000, "start": 210.0, "end": 240.0, "text": "也让它加进来了,就是在这儿。我们可以看到。那,那,它说重启之后才可以使用。那我们把它关了,重新启一下。OK,我们随便传一张照片哈。看一下桌面上有没有照片。嗯,桌面上有没有。找一个要提取照片的。嗯,我找一个,就我用AI生成的吧。帮我提取。", "tokens": [ 50365, 6404, 33650, 11284, 9990, 36700, 34912, 11, 5620, 3581, 5562, 22933, 1543, 15003, 6723, 18032, 1543, 4184, 11, 4184, 11, 11284, 8090, 12624, 2392, 107, 9574, 13547, 18888, 6723, 22982, 9254, 1543, 4184, 15003, 42061, 28053, 2289, 11, 12624, 12560, 2392, 107, 8861, 1543, 9443, 11, 15003, 10673, 237, 27364, 7384, 254, 2257, 44059, 32150, 16668, 10595, 1543, 28324, 162, 5475, 8833, 5708, 2412, 17944, 32150, 16668, 1543, 21206, 11, 162, 5475, 8833, 5708, 2412, 17944, 1543, 25085, 20182, 4275, 20949, 29436, 32150, 16668, 1546, 1543, 21206, 11, 1654, 25085, 20182, 11, 3111, 1654, 9254, 48698, 8244, 11336, 1546, 6062, 1543, 4845, 106, 1654, 20949, 29436, 1543 ], "temperature": 0, "avg_logprob": -0.15605345559776376, "compression_ratio": 1.3865546218487395, "no_speech_prob": 2.005128181548077e-11, "source": "whisper" }, { "id": 9, "seek": 24000, "start": 240.0, "end": 269.98, "text": "帮我调用PP-OCRV6。帮我调用PP-OCRV6这个MCP。然后提取图片的内容。变得文字内容吧。然后PP-OCRV6,对。看它提起的效果。我们再继续稍等一下。啊,我们可以看一下。", "tokens": [ 50365, 4845, 106, 1654, 8897, 225, 9254, 17755, 12, 46, 18547, 53, 21, 1543, 4845, 106, 1654, 8897, 225, 9254, 17755, 12, 46, 18547, 53, 21, 15368, 44, 20049, 1543, 26636, 20949, 29436, 3919, 122, 16668, 1546, 34742, 25750, 1543, 2129, 246, 5916, 17174, 22381, 34742, 25750, 6062, 1543, 26636, 17755, 12, 46, 18547, 53, 21, 11, 8713, 1543, 4200, 11284, 20949, 9147, 1546, 43076, 9319, 1543, 15003, 8623, 10115, 100, 10115, 255, 10415, 235, 24554, 1543, 4905, 11, 15003, 6723, 28324, 1543, 51864 ], "temperature": 0, "avg_logprob": -0.0949328112047772, "compression_ratio": 1.2694610778443114, "no_speech_prob": 2.530580606174837e-11, "source": "whisper" }, { "id": 10, "seek": 26998, "start": 269.98, "end": 299.98, "text": "它已经把完整的内容已经提取出来了。那,其实这个呢,不重要哈。就是,主要是给大家介绍一下,这个MCP是怎么去安装的。其实,不管是Codex,Codeout,Code,还是小东西,其实都一样。呃,我觉得这个最基本的哈,就是人把东西发给他。你不会的,就直接问AI就行了。就这么简单。那,百度的模型的能力一直都非常强。那,这个,OCRV6呢,它还有几个手机的一个版本。就是,我们可以在手机上去安装,测试,验证。呃,非常的方便。呃,它的手机端的地址,呃,", "tokens": [ 50365, 11284, 49161, 16075, 14128, 27662, 1546, 34742, 25750, 49161, 20949, 29436, 7781, 34912, 1543, 4184, 11, 41646, 15368, 6240, 11, 1960, 24928, 10595, 1543, 5620, 11, 13557, 4275, 1541, 23197, 6868, 30312, 10115, 235, 8861, 11, 15368, 44, 20049, 1541, 15282, 6734, 16206, 8083, 227, 1546, 1543, 41646, 11, 45376, 1541, 34, 1429, 87, 11, 34, 1429, 346, 11, 34, 1429, 11, 45726, 7322, 38409, 16220, 11, 41646, 7182, 2257, 14496, 1543, 3606, 225, 11, 45681, 15368, 8661, 37946, 1546, 10595, 11, 5620, 4035, 16075, 38409, 16220, 28926, 23197, 5000, 1543, 2166, 47928, 1546, 11, 3111, 43297, 22064, 48698, 3111, 46606, 1543, 3111, 31889, 11249, 222, 47446, 1543, 4184, 11, 31906, 13127, 1546, 41908, 39823, 1546, 8225, 13486, 34448, 7182, 14392, 5702, 118, 1543, 4184, 11, 15368, 11, 46, 18547, 53, 21, 6240, 11, 11284, 35091, 6336, 254, 7549, 11389, 37960, 1546, 20182, 42096, 8802, 1543, 5620, 11, 15003, 6723, 3581, 11389, 37960, 5708, 6734, 16206, 8083, 227, 11, 11038, 233, 5233, 243, 11, 49657, 234, 5233, 223, 1543, 3606, 225, 11, 48263, 9249, 27364, 1543, 3606, 225, 11, 45224, 11389, 37960, 11957, 107, 1546, 10928, 14872, 222, 11, 3606, 225, 11 ], "temperature": 0, "avg_logprob": -0.16709003251852447, "compression_ratio": 1.4307304785894206, "no_speech_prob": 1.4600293196664893e-11, "source": "whisper" }, { "id": 11, "seek": 29998, "start": 299.98, "end": 329.98, "text": "这是安卓的地址,呃,还有IOS的地址,呃,都是一样的。因为它可以支持在安卓手机上的去这个,上面去做测试。因为它只有几兆的一个大小,完全可以跑起来。而且在,呃,浮器上,呃,就算你没有,呃,那个,GPU在CPU上跑的速度也挺快的。", "tokens": [ 50365, 27455, 16206, 5322, 241, 1546, 10928, 14872, 222, 11, 3606, 225, 11, 35091, 40, 4367, 1546, 10928, 14872, 222, 11, 3606, 225, 11, 22796, 2257, 14496, 1546, 1543, 34627, 11284, 6723, 35488, 3581, 16206, 5322, 241, 11389, 37960, 5708, 1546, 6734, 15368, 11, 49750, 6734, 10907, 11038, 233, 5233, 243, 1543, 34627, 11284, 35244, 6336, 254, 2347, 228, 1546, 20182, 3582, 7322, 11, 37100, 6723, 32585, 9147, 6912, 1543, 22942, 3581, 11, 3606, 225, 11, 11038, 106, 34386, 5708, 11, 3606, 225, 11, 3111, 19497, 2166, 17944, 11, 3606, 225, 11, 43083, 11, 38, 8115, 3581, 34, 8115, 5708, 32585, 1546, 31217, 13127, 6404, 41046, 10251, 1546, 1543 ], "temperature": 0, "avg_logprob": -0.11246444528753108, "compression_ratio": 1.293859649122807, "no_speech_prob": 1.775624959565736e-11, "source": "whisper" }, { "id": 12, "seek": 32998, "start": 329.98, "end": 340.88, "text": "那,模型,它不是大模,不是基于VLM大语言模型的一个模型,它是纯视觉的一个模型。那,它的一个效果呢,也是,呃,秒杀了。目前,顶级了SOSA的这些模型,能力确实非常强啊。", "tokens": [ 50365, 4184, 11, 41908, 39823, 11, 11284, 7296, 3582, 41908, 11, 7296, 26008, 37732, 53, 43, 44, 3582, 5233, 255, 12009, 41908, 39823, 1546, 20182, 41908, 39823, 11, 11284, 1541, 16853, 107, 40656, 24447, 1546, 20182, 41908, 39823, 1543, 4184, 11, 45224, 20182, 43076, 9319, 6240, 11, 22021, 11, 3606, 225, 11, 20956, 4422, 222, 2289, 1543, 39004, 11, 10178, 114, 16853, 100, 2289, 50, 4367, 32, 1546, 5562, 13824, 41908, 39823, 11, 8225, 13486, 38114, 106, 24726, 14392, 5702, 118, 4905, 1543, 50910 ], "temperature": 0, "avg_logprob": -0.11613554163364016, "compression_ratio": 1.5210526315789474, "no_speech_prob": 1.4409631474143758e-11, "source": "whisper" }, { "id": 13, "seek": 34088, "start": 340.88, "end": 364.58, "text": "当然呢,说的是OCR提取啊,比如说OCR,呃,图片理解,它做不到啊,那个呢,就得用VL1.6的那个,VL1.6呢,它是做通用文档识别提取的。那这个OCR呢,它就是做图片,就视觉模型。啊,它没办法进行推理。那,这就是二者的一个区别。那,好的,今天就介绍的,然后呢,感兴趣的话,可以自己来尝试一下,也可以把它接入到你的所有的Agent里面去尝试一下。那,好的,今天就介绍的,谢谢大家。", "tokens": [ 50365, 40486, 6240, 11, 8090, 24620, 46, 18547, 20949, 29436, 4905, 11, 36757, 8090, 46, 18547, 11, 3606, 225, 11, 3919, 122, 16668, 13876, 17278, 11, 11284, 10907, 35728, 4905, 11, 43083, 6240, 11, 3111, 5916, 9254, 53, 43, 16, 13, 21, 1546, 43083, 11, 53, 43, 16, 13, 21, 6240, 11, 11284, 1541, 10907, 19550, 9254, 17174, 21416, 96, 5233, 228, 18453, 20949, 29436, 1546, 1543, 4184, 15368, 46, 18547, 6240, 11, 11284, 5620, 10907, 3919, 122, 16668, 11, 3111, 40656, 24447, 41908, 39823, 1543, 4905, 11, 11284, 10062, 39453, 11148, 36700, 8082, 33597, 13876, 1543, 4184, 11, 5562, 5620, 11217, 12444, 1546, 20182, 9937, 118, 18453, 1543, 4184, 11, 20715, 11, 12074, 3111, 30312, 10115, 235, 1546, 11, 26636, 6240, 11, 9709, 2347, 112, 39835, 44575, 11, 6723, 17645, 6912, 1530, 251, 5233, 243, 8861, 11, 47935, 42061, 14468, 14028, 4511, 18961, 39300, 1546, 32, 6930, 15759, 8833, 6734, 1530, 251, 5233, 243, 8861, 1543, 4184, 11, 20715, 11, 12074, 3111, 30312, 10115, 235, 1546, 11, 19879, 6868, 1543, 51550 ], "temperature": 0, "avg_logprob": -0.09070828608694793, "compression_ratio": 1.4354354354354355, "no_speech_prob": 1.4115335636444293e-11, "source": "whisper" } ], "transcript_selection": { "schema": "videonote.transcript_selection.v1", "status": "SELECTED", "requested_language": "zh", "duration": 365.458875, "reference_path": null, "reference_kind": null, "reference_language": null, "selected_source": "whisper_segmented", "decision_reason": "source_unavailable_or_untrusted_whisper_passed", "whisper_rejected": false, "source_profile": { "segment_count": 0, "duration_coverage": 0.0, "usable_full": false, "usable_partial": false, "hallucination_region_count": 0, "hallucination_regions": [], "language": { "requested": "zh", "matched": false } }, "whisper_profile": { "segment_count": 14, "multilingual": false, "first_start": 0.0, "final_end": 364.58, "duration_coverage": 0.997595, "maximum_gap_seconds": 0.02, "inverted_count": 0, "language": { "requested": "zh", "matched": true, "latin": 219, "han": 1585, "kana": 0, "hangul": 0 }, "hallucination_region_count": 0, "hallucination_regions": [], "usable_full": true, "usable_partial": true }, "comparison": { "window_seconds": 30.0, "compared_window_count": 0, "median_score": 0.0, "divergent_window_count": 0, "divergent_ratio": 0.0, "divergent_windows": [] }, "timestamp_alignment": { "applied": false, "estimated_offset_seconds": 0.0, "matched_segment_count": 0, "match_scores": [] }, "caption_timing_repair": null, "filled_source_profile": null, "whisper_duration_guard": { "media_duration": 365.459, "rejected_segment_count": 0, "rejected_segments": [] } } }