概念多模态大模型 / VLM
视觉大模型
具备图像理解能力的大语言模型，能够识别文字、理解版面结构并输出结构化数据
时间轴 (近 90 天)
10月18日
廉价验证步骤（如轻量图像分类器或启发式规则）通常在几十毫秒内完成，成本远低于一次视觉大模型推理。
待验证50%
10月16日
基于视觉大模型的 OCR 不仅能识别文字，还能理解版面结构、判断内容类别并按需输出 JSON 等结构化格式，对歪斜、手写、格式不统一的票据容错率远高于传统 OCR。
待验证50%
10月13日
视觉大模型推断出的3D模型属于合理估计而非测量级精度，其深度数据可能存在偏差，用于展示和说服足够，但若用于工程验收仍需人工复核。
待验证50%
9月25日
CV领域视觉大模型的参数量通常远小于NLP领域大模型
待验证50%
9月25日
视觉大模型的知识体系可以分为预训练和下游任务适配两大板块
待验证50%
9月17日
miniAuto Pro接入了视觉大模型，具备场景描述与物体识别能力，能识别桌面上的熊猫、斑马、小树和埃菲尔铁塔模型
待验证50%
9月11日
最高精度的解析方案（如基于视觉大模型的解析）通常速度慢、成本高
待验证50%
全部知识事实 (7)
待验证
廉价验证步骤（如轻量图像分类器或启发式规则）通常在几十毫秒内完成，成本远低于一次视觉大模型推理。
50%待验证基于视觉大模型的 OCR 不仅能识别文字，还能理解版面结构、判断内容类别并按需输出 JSON 等结构化格式，对歪斜、手写、格式不统一的票据容错率远高于传统 OCR。
50%待验证视觉大模型推断出的3D模型属于合理估计而非测量级精度，其深度数据可能存在偏差，用于展示和说服足够，但若用于工程验收仍需人工复核。
50%待验证CV领域视觉大模型的参数量通常远小于NLP领域大模型
50%待验证视觉大模型的知识体系可以分为预训练和下游任务适配两大板块
50%待验证miniAuto Pro接入了视觉大模型，具备场景描述与物体识别能力，能识别桌面上的熊猫、斑马、小树和埃菲尔铁塔模型
50%待验证最高精度的解析方案（如基于视觉大模型的解析）通常速度慢、成本高
50%