某客户业务中涉及的票据类型繁多，包括手写票据、打印小票、文档电子表格等，如下图所示。客户希望利用我们的多模态大模型qwen-vl来将这些不同类型的票据信息提取为结构化数据，以便后续进行自动化处理和分析。最关键的需求是确保所提取的票据信息准确无误，尤其是关键信息（如编号编码），不能遗漏也不能出现错误。这将使客户能够更高效地管理他们大量的票据数据，减少人工处理的工作量，提高工作效率。

测试方案可以从最简单的方式开始，即直接调用qwen-vl。只需将图片上传至OSS，然后编写一段提示即可让大模型为我们处理任务。通过api调用qwen-vl模型_大模型服务平台百炼(Model Studio)-阿里云帮助中心 (aliyun.com)[1]。

测试样例为下图：

prompt如下：

prompt_with_message="""请结合图片输出结构化的JSON信息。注意要返回完整的数据，不能遗漏，不能省略；对于包含多行的项目用列表表示;只输出JSON不要输出任何额外内容;不同行的内容应该分别输出"""

messages = [    {        "role": "user",        "content": [            {"image": url},            {"text": prompt_with_message}        ]    }]response = dashscope.MultiModalConversation.call(  model='qwen-vl-max-0809',  messages=messages)

对比图片内容可以看出，存在以下关键信息的错误：

• “收货单位：家宴”识别成了“发票单位：某宾馆”
• 货名“80/30无芯40”与“57/40刷卡纸”识别成了"货物名称": ["57/40无芯纸", "80/30无芯纸"]
• “单价”: [145.00, 530.00]，“金额”: [290.00, 2120.00], “金额合计”: 2410.00 也与票据信息对应不上

• 出现了签收日期、签收人图中本来不存在的幻觉信息。

这个例子可以看到，使用VL-LLM在“从图像中提取文本”这个特定场景中的效果有时并不太好，但在其他语义指令上，比如“输出json格式数据”，是有效的。

那么如果有其他方式可以更快更好地处理“从图像中提取文本”这个任务呢？受语言大模型中"RAG"思路的启发，也许我们可以先提取图像中的文本，然后将其作为“知识参考”输入VL-LLM，结合VL-LLM强大的语义理解能力，或许就能够准确提取出票据中的信息，并输出结构化数据。

那么给到VL-LLM的prompt template就会是这样的：

prompt_with_message=f"""供参考的票据文字如下，输出时结合上下文对有错误的予以纠正。
{text}
请结合图片输出结构化的JSON信息。注意要返回完成的数据，不能遗漏，不能省略；对于包含多行的项目用列表表示;只输出JSON不要输出任何额外内容;不同行的内容应该分别输出"""

目前的任务是要获取图像中的文字内容，也就是说，我们想知道图中的文字有哪些，这让我们很容易联想到文本识别领域中的“老炮儿”——OCR技术。

问：OCR是什么？

通义前问：OCR是光学字符识别（Optical Character Recognition）的缩写，是一种技术，用于将印刷文本、手写文字或文档中的字符转换为机器编码的文本。通过扫描或拍照的方式捕捉文字图像，然后利用计算机软件分析图像中的字符形状，并将其转换成可编辑和可搜索的数据。这种技术在很多领域都有应用，比如文档数字化、数据录入、书籍扫描、发票处理等，大大提高了信息处理的效率和准确性。

尽管多模态大模型也具备通用的文本识别能力，但OCR技术在不同的业务场景下可以通过特定的训练和加强。例如，阿里云产品文字识别_OCR 文字识别_图片识别文字_数据智能-阿里云 (aliyun.com)[2]覆盖了通用文字识别、个人证照识别、车辆物流识别、票据凭证识别、企业资质识别和混贴等多个场景。

我们将OCR与VL-LLM做个对比：

因此，我们想到在原有方案的基础上加入OCR作为辅助，让OCR与VL协同工作：

RecognizeHandwriting进行通用手写体识别_文字识别(OCR)-阿里云帮助中心 (aliyun.com)[3]，逐行识别图像中的中文文字，并将所识别的文字替换prompt中的{text}，提供给大模型作为参考。这样做类似于VL中的“RAG”（Retrieval-Augmented Generation）模式，既结合了OCR高精准文本识别的能力，同时也利用了大模型的指令分析和上下文理解等优势。

以下case中vl模型使用qwen-vl-max-0809，ocr使用阿里云OCR通用手写体识别。

case1：

• OCR，耗时：0.7s，识别结果：

****纸品 送货单 NO：20240323******* 收货单位：**家宴洛溪店 送货日期：2024年3月23日 编号 货 名 规格 单位 数量 单价 金额 备注 1 80/30无芯40 箱 4 145.00 580.00 2 57/40刷卡纸 箱 2 80.00 160.00 金额合计(大写)：柒佰肆拾元整 6 Y740.00 送货单位及经手人(签章)：收货单位及经手人(签名)：恒 审核员：复核员：三 

可以看到与只有VL-LLM结果相比，融合方案结果中的关键信息收货单位、货物名称、金额、总价等都输出正确。

case2：

• OCR，耗时：0.75s，识别结果：

骨*购物 收银员：0012 机号：018 时间：2024.05.06 16：20 品名 数量 t 单价 小计 绿箭无糖花香薄荷糖樱花白桃味 20202058 2 12.50 25.00 西兰花(散) 10100335 0.582 13.16 7.66 中购物袋 70700002 0.20 0.20 [惠]水产扁蚕蛹(散) 10400287 0.284 13.80 3.92 原价：19.80 油蟠桃(盒) 10100208 1 19.90 19.90 QQ南瓜(散) 10101272 1.102 5.96 6.57 鳕鱼片(散) 10200357 0.172 98.00 16.86 冻干糖葫芦(散) 10200406 0.246 98.00 24.11 整单优惠：1.70 抹零：0.02 件数：9 应付：104.20 实收：山东一卡通人民币 104.20 小票号：NO.2024050****** 会员消费-卡号(600*****) 本次积分(100.30) 最 最新积分(14404. 07) 电子储零(0) 如需发票，请持此单致客服中心开换 散称商品重量以称签重量为准 热线电话：xxxxxxxx 地址：xxxxxxxxxx 谢谢惠顾，欢迎下次光临!

这个案例两个方案的输出信息基本准确无误，在格式上略有区别。OCR把“昌隆”识别为“骨隆”，大模型并没有采用。

case3：

• OCR，耗时：1s，识别结果：

送货单 *****农牧开发有限公司 第2/3页 番禺配送中心 日期：2024-03-18 车牌号：502 单据编号：p4-030042-XS-******* 收货单位 ****(**) 编号 商品全名 规格 单位 数量 单价 金额 备注 家乡龙口粉丝 包 2 4.5 9 菠菜面 包 2 6 12 南瓜面 包 2 6 12 鲜牛肉 7 斤 3.23 50 150 160 鲈鱼骨 斤 5 2. 10 美味源胡椒粉 包 1 6.5 6.5 雀巢美极鸡鲜粉 包 40.5 40.5 刀板香 斤 1.21 26 2 31.2 湖南辣椒 斤 6 6.5 39 独蒜 斤 2 18 36 页小计 每页合计：元 Address：******** Tel：152171***** 制单员：** 收货单位签章：1月1 七 13

图中“鲜牛肉”和“刀板香”的数量和金额都有人为的手写修改，OCR把修改前后都输出了，而大模型在输出时结合图片内容正确输出了最终的数量与金额，体现了大模型在图像内容分析、上下文理解上的优势。

OCR技术在识别静态文本方面表现出色，但缺乏对图像内容的识别和上下文理解能力。而大模型具有强大的特征提取和抽象能力，可以有效捕捉数据中的潜在关联和复杂性。将这两种技术相融合，能够有效减少误识别的几率，实现更高精度的识别结果。两种技术的优劣势相互补充，形成一种更具适应性、灵活性和高效性的解决方案。

大模型并非“万能”的，支持服务的客户越多，就越能体会到“能不让大模型做的事情就不让它做”的实践经验对提升效果的重要性。许多传统方法仍然在特定领域下表现出色，可以为大模型提供前置输入处理。另外，从计算资源和响应时延的角度来看，传统技术相对于大模型也具有不少优势。结合传统技术可以满足实时性和高效性的需求，从而增强用户体验。

将大模型与传统技术融合，不仅能弥补各自的不足，还能在多个层面提升信息处理的能力和效率。这种融合不仅是技术发展的必然趋势，也是推动各行业智能化转型的重要驱动力。

来自团队：公共云业务-技术服务部

参考链接：

[3]https://help.aliyun.com/zh/ocr/developer-reference/api-ocr-api-2021-07-07-recognizehandwriting