我要投稿

AI识图，提取标题、点赞等数据，哪家效果好？

发布日期：2025-06-20 17:24:35 浏览次数： 2438

作者：激波之影

微信搜一搜，关注“激波之影”

前两天，我们团队小伙伴一直在获取蝴蝶号的一些数据。主要用的是传统的一些方法。

搞完后我突然想起来，获取数据这件事，能不能用AI识图的功能来做呢?

毕竟，目前能展示到屏幕上的数据，都能够被AI看到。

获取数据需要下拉、翻页，这不是障碍：要么手动截图，要么录屏之后自动截图，这整个过程也可以自动化。

这证明了用AI识图来获取数据，目前在一些场景下是能跑通的。这就一定程度上，改变数据抓取这个行业，比如传统的Python、rpa等方法。

为了进一步看看这件事情目前的边界在哪里，我对目前6个主流的大模型进行了一次识图抽取数据的测试。

任务介绍

这个任务是，获取某个视频号主页的视频标题以及点赞量（电脑端）。

我们可以看到，主页下面有12个视频，每个视频是小方格，下面是标题，里面的小心心旁边就是点赞量。

标题还是比较显眼和清楚的，但是这个点赞数据展示得比较小。

AI能应付不？

我花了三个小时，使用GPT4o、claude3、kimi、文心一言、通义千问、gemini进行了逐个测试。

下面是测试的部分过程，完整测评表文末获取。

Kimi测试结果

在此前那篇文章中，kimi显示了较强的识图获取数据的能力，这次效果如何？

prompt：

列出这个主页中各个视频的标题、主题以及点赞量。请注意，阅读量是指有小心心的图标旁边的数字。

结果：

标题：可以提取标题，但12个视频只提取了8个的标题；
点赞：无法准确识别点赞量。
视频顺序：不正确

这次的结果有点遗憾。

我想，是不是提示词的原因，于是进行了两次改进。

改进prompt1：

识别并列出这个主页中各个视频的标题、主题以及点赞量。

结果：上述三个问题依然存在。

改进prompt2：

这个截图中有12个视频，每个视频是一个小方格。列出其中各个视频的标题、点赞量。请注意，点赞量是指有小心心的图标旁边的数字。

结果：上述三个问题没有改善的迹象。

结论，Kimi识图的缺点：

1、待提取的内容与背景颜色较难区分的时候，AI也难以识别，这点跟人类一样，且能力远不如人类。

2、无法理解空间方位。

通义千问测试

prompt：

列出这个主页中各个视频的标题、主题以及点赞量。请注意，点赞量是指有小心心的图标旁边的数字。

结果：

标题：可以提取标题，但12个视频只提取了9个的标题；
点赞：能识别到点赞数据，但是，点赞数据张冠李戴，A视频的点赞数据被放到了B视频；且部分点赞数据没被识别。
视频顺序：不正确

结论：

1、通义千问的识图取数的能力略高于Kimi，但Kimi可以一次处理多张图，通义千问一次只能看一张；

2、依然有Kimi存在的空间错乱问题，无法正确对应和排序。

GPT4o测试

GPT4o是openai最新模型，全网刷屏，真实能力如何？来。

prompt：

列出这个主页中各个视频的标题、主题以及点赞量。请注意，点赞量是指有小心心的图标旁边的数字。

结果：

标题：12个视频标题，全部正确提取；
点赞：12个视频中，正确识别出7个视频的点赞数
视频顺序：顺序正确

结论：识图能力目前各大模型中最强。能正确识别上下左右，已经有一定的空间感知能力，能将视频与点赞数对应，能做排序。

但对数字提取的准确度还需要提高。

___________________________________

根据对6大模型的测试，整体看来，在本场景中的识图能力如下：

GPT4o > claude-3-sonnet > 通义千问 > Kimi > gemini 1.0 > 文心一言 3.5

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-05-06

Karpathy：很多App就不该出生、人类唯一护城河只剩理解、CPU将沦为配角

2026-05-05

OpenAI 「实时语音」架构首次公开

2026-05-04

打造Claude Code的宝藏经验！提示缓存就是一切

2026-05-04

Apple Silicon 上本地跑 LLM，速度直接甩 Ollama 几条街

2026-05-03

奥特曼：Codex 正在经历 ChatGPT 时刻。这是要起飞了

2026-05-01

永别了，终端！OpenAI疯狂升级Codex，接管Mac人类全程0操作围观

2026-04-30

Karpathy 最新访谈：Vibe Coding 只是开始，真正重要的是 Agentic Engineering

2026-04-30

近4万Star！一个终端把自己变成了AI开发环境，Cursor和Claude Code都沉默了

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Claude Opus 4.7刚刚曝光！Claude Code一夜重构，7x24小时替你打工

2026-04-15

刚刚Qwen 3.6 Plus上线预览：1M上下文，阿里Coding/Agent翻身战打响

2026-03-31

2026年国内如何注册 Claude 账号教程

2026-03-13

豆包 2.0 模型发布，全信息整理（全网最完整，另附 79 页 Model Card）

2026-02-14

独家| DeepSeek-V4终于要来了：梁文锋憋半年大招，多模态+长期记忆全面破局

2026-03-17

全网最详细的Codex入门教程，手把手教你玩转Vibe Coding。

2026-02-09

香港终于能直接用 Gemini 了，内地用户能用上吗？

2026-03-17

OpenAI Codex CLI 完整使用指南

2026-04-07

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

全球首个 AI 进化网络 EvoMap，给 Agent 装上 DNA

2026-02-20

大家都在问

「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能「扛活儿」了？

2026-04-26

本体化语义层，会是 AI 数据平台的新地基吗？

2026-04-22

设计行业的“棺材板”，要被Claude Design盖上了？

2026-04-18

当所有人都不写代码了，谁来看懂代码？

2026-04-13

什么场景该用 AI Native？

2026-04-12

12MB的Go二进制，让AI操控浏览器只花800 tokens，PinchTab凭什么这么省？

2026-04-07

华为AI 49元/月！贵？不贵？

2026-04-01

为什么这波 AI 产品都开始抢着做 CLI ？

2026-03-31

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean Openclaw