現實生活中的關鍵信息提取（第 2 部分）：完善開源 LLM 性能
繼續(xù)第 1 部分，本指南探討使用開源大型語言模型 (LLM) – Qwen2 2B 和 LLaMA 3.1 – 進行發(fā)票信息提取，重點是克服數據隱私問題和硬件限制（具有 12GB VRAM 的 RTX 3060）。
為什么選擇 Qwen2 2B 和 LLaMA 3.1？
這些模型的選擇是由資源限制驅動的。 Qwen2-VL-2B-Instruct 由于其高效的尺寸，優(yōu)于較大的 7B 模型。通過 Ollama 訪問的 LLaMA 3.1 (8B) 因其優(yōu)化的長上下文理解而被選中。 其他模型，例如 Ollama 中的 Qwen2（缺乏圖像支持）和 LLaVA（多語言功能不足），被認為不適合。
這種雙模型策略利用了 Qwen2 在一般關鍵信息提取方面的優(yōu)勢和 LLaMA 3.1 卓越的長上下文處理和 JSON 輸出一致性，特別是對于多語言文檔。 Qwen2 最初提取原始信息，然后 LLaMA 3.1 將其細化并構建為標準化 JSON 格式。 PaddleOCR 與第 1 部分一樣，增強了 Qwen2 的視覺功能。
日本發(fā)票示例
使用日本發(fā)票作為測試用例。 初始 OCR 過程（結合語言檢測和 PaddleOCR）生成以下識別文本：
<code>Recognized Text:
{'ori_text': '根岸 東急ストア TEL 045-752-6131 領収証 [TOP2C!UbO J3カード」 クレヅッ 卜でのお支払なら 200円で3ボイン卜 お得なカード! 是非こ入會下さい。 2013年09月02日(月) レジNO. 0102 NOO07さ と う 001131 スダフエウ卜チーネ 23 単198 1396 003271 オインイ年 ユウ10 4238 000805 ソマ一ク スモー一クサーモン 1298 003276 タカナン ナマクリーム35 1298 001093 ヌテラ スフレクト 1398 000335 バナサ 138 000112 アボト 2つ 単158 1316 A000191 タマネキ 429 合計 2,111 (內消費稅等 100 現金 10001 お預り合計 110 001 お釣り 7 890',
'ori_language': 'ja',
'text': 'Negishi Tokyu Store TEL 045-752-6131 Receipt [TOP2C!UbO J3 Card] If you pay with a credit card, you can get 3 points for 200 yen.A great value card!Please join us. Monday, September 2, 2013 Cashier No. 0102 NOO07 Satou 001131 Sudafue Bucine 23 Single 198 1396 003271 Oinyen Yu 10 4238 000805 Soma Iku Smo Iku Salmon 1298 003276 Takanan Nama Cream 35 1 298 001093 Nutella Sprect 1398 000335 Banasa 138 000112 Aboto 2 AA 158 1316 A000191 Eggplant 429 Total 2,111 (including consumption tax, etc. 100 Cash 10001 Total deposited 110 001 Change 7 890',
'language': 'en',}</code>
這是與 ChatGPT 基線進行比較，證明了 ChatGPT 在此初始測試中的卓越性能。
Qwen2 2B 結果（獨立）
獨立使用Qwen2暴露了它的局限性。 JSON 輸出在多個領域不完整且不準確，凸顯了其在一致的 JSON 格式和長上下文處理方面的困難。
結合 Qwen2 和 LLaMA 3.1 方法
采用 LLaMA 3.1 作為后處理器來細化 Qwen2 的輸出，得到了改進但仍然不完美的結果。 雖然一些關鍵字段被準確提取，但詳細的項目信息仍然存在問題。
未來改進：微調 Qwen2VL
下一部分將使用收據數據集詳細微調 Qwen2VL 模型，旨在顯著提高這項專門任務的準確性和處理速度。
結論
該實驗展示了開源法學碩士在現實世界關鍵信息提取方面的潛力和局限性。雖然組合方法比使用單一模型提供了改進，但為了實現最佳性能，需要進一步細化，特別是通過模型微調。 對數據隱私和高效資源利用的關注仍然是這種開源方法的關鍵優(yōu)勢。
以上是關鍵信息提取的實用方法（第 2 部分）的詳細內容。更多信息請關注PHP中文網其他相關文章！
熱AI工具
Undress AI Tool
免費脫衣服圖片
Undresser.AI Undress
人工智能驅動的應用程序，用于創(chuàng)建逼真的裸體照片
AI Clothes Remover
用于從照片中去除衣服的在線人工智能工具。
Clothoff.io
AI脫衣機
Video Face Swap
使用我們完全免費的人工智能換臉工具輕松在任何視頻中換臉！
熱門文章
熱工具
記事本++7.3.1
好用且免費的代碼編輯器
SublimeText3漢化版
中文版，非常好用
禪工作室 13.0.1
功能強大的PHP集成開發(fā)環(huán)境
Dreamweaver CS6
視覺化網頁開發(fā)工具
SublimeText3 Mac版
神級代碼編輯軟件(SublimeText3)
Python的UNITDEST或PYTEST框架如何促進自動測試？
Jun 19, 2025 am 01:10 AM
Python的unittest和pytest是兩種廣泛使用的測試框架，它們都簡化了自動化測試的編寫、組織和運行。1.二者均支持自動發(fā)現測試用例并提供清晰的測試結構：unittest通過繼承TestCase類并以test\_開頭的方法定義測試；pytest則更為簡潔，只需以test\_開頭的函數即可。2.它們都內置斷言支持：unittest提供assertEqual、assertTrue等方法，而pytest使用增強版的assert語句，能自動顯示失敗詳情。3.均具備處理測試準備與清理的機制：un
如何將Python用于數據分析和與Numpy和Pandas等文庫進行操作？
Jun 19, 2025 am 01:04 AM
pythonisidealfordataanalysisionduetonumpyandpandas.1）numpyExccelSatnumericalComputationswithFast，多dimensionalArraysAndRaysAndOrsAndOrsAndOffectorizedOperationsLikenp.sqrt（）
什么是動態(tài)編程技術，如何在Python中使用它們？
Jun 20, 2025 am 12:57 AM
動態(tài)規(guī)劃（DP）通過將復雜問題分解為更簡單的子問題并存儲其結果以避免重復計算，來優(yōu)化求解過程。主要方法有兩種：1.自頂向下（記憶化）：遞歸分解問題，使用緩存存儲中間結果；2.自底向上（表格化）：從基礎情況開始迭代構建解決方案。適用于需要最大/最小值、最優(yōu)解或存在重疊子問題的場景，如斐波那契數列、背包問題等。在Python中，可通過裝飾器或數組實現，并應注意識別遞推關系、定義基準情況及優(yōu)化空間復雜度。
如何使用__ITER__和__NEXT __在Python中實現自定義迭代器？
Jun 19, 2025 am 01:12 AM
要實現自定義迭代器，需在類中定義__iter__和__next__方法。①__iter__方法返回迭代器對象自身，通常為self，以兼容for循環(huán)等迭代環(huán)境；②__next__方法控制每次迭代的值，返回序列中的下一個元素，當無更多項時應拋出StopIteration異常；③需正確跟蹤狀態(tài)并設置終止條件，避免無限循環(huán)；④可封裝復雜邏輯如文件行過濾，同時注意資源清理與內存管理；⑤對簡單邏輯可考慮使用生成器函數yield替代，但需結合具體場景選擇合適方式。
Python編程語言及其生態(tài)系統(tǒng)的新興趨勢或未來方向是什么？
Jun 19, 2025 am 01:09 AM
Python的未來趨勢包括性能優(yōu)化、更強的類型提示、替代運行時的興起及AI/ML領域的持續(xù)增長。首先，CPython持續(xù)優(yōu)化，通過更快的啟動時間、函數調用優(yōu)化及擬議中的整數操作改進提升性能；其次，類型提示深度集成至語言與工具鏈，增強代碼安全性與開發(fā)體驗；第三，PyScript、Nuitka等替代運行時提供新功能與性能優(yōu)勢；最后，AI與數據科學領域持續(xù)擴張，新興庫推動更高效的開發(fā)與集成。這些趨勢表明Python正不斷適應技術變化，保持其領先地位。
如何使用插座在Python中執(zhí)行網絡編程？
Jun 20, 2025 am 12:56 AM
Python的socket模塊是網絡編程的基礎，提供低級網絡通信功能，適用于構建客戶端和服務器應用。要設置基本TCP服務器，需使用socket.socket()創(chuàng)建對象，綁定地址和端口，調用.listen()監(jiān)聽連接，并通過.accept()接受客戶端連接。構建TCP客戶端需創(chuàng)建socket對象后調用.connect()連接服務器，再使用.sendall()發(fā)送數據和.recv()接收響應。處理多個客戶端可通過1.線程：每次連接啟動新線程；2.異步I/O：如asyncio庫實現無阻塞通信。注意事
如何在Python中切片列表？
Jun 20, 2025 am 12:51 AM
Python列表切片的核心答案是掌握[start:end:step]語法并理解其行為。1.列表切片的基本格式為list[start:end:step]，其中start是起始索引（包含）、end是結束索引（不包含）、step是步長；2.省略start默認從0開始，省略end默認到末尾，省略step默認為1；3.獲取前n項用my_list[:n]，獲取后n項用my_list[-n:]；4.使用step可跳過元素，如my_list[::2]取偶數位，負step值可反轉列表；5.常見誤區(qū)包括end索引不
Python類中的多態(tài)性
Jul 05, 2025 am 02:58 AM
多態(tài)是Python面向對象編程中的核心概念，指“一種接口，多種實現”，允許統(tǒng)一處理不同類型的對象。1.多態(tài)通過方法重寫實現，子類可重新定義父類方法，如Animal類的speak()方法在Dog和Cat子類中有不同實現。2.多態(tài)的實際用途包括簡化代碼結構、增強可擴展性，例如圖形繪制程序中統(tǒng)一調用draw()方法，或游戲開發(fā)中處理不同角色的共同行為。3.Python實現多態(tài)需滿足：父類定義方法，子類重寫該方法，但不要求繼承同一父類，只要對象實現相同方法即可，這稱為“鴨子類型”。4.注意事項包括保持方
