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： 1521

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。

我在前一篇文章《强得怕了！用Kimi批量识图+生成Excel表，3分钟找出这10个被验证的AI商业化项目》里面，就利用Kimi的识图功能，批量抽取截图里面的数据，并生成Excel的格式，效果超出预期。

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

回复【6大模型识图取数测评】获取完整测评表格。

___________________________________

以上是本期内容。持续分享AI实战内容，欢迎在看、关注。

本公众号私信已接入大模型，具有联网搜索、抖音文案提取等功能。

部分往期文章：

《太带劲了！我把月之暗面Kimi接入微信，联网搜索、画图、视频转文案，保姆级教程来了》

《强得怕了！用Kimi批量识图+生成Excel表，3分钟找出这10个被验证的AI商业化项目》

《重逢概率之谜：如何不赢一人，却赢下天下？》

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：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-06-20

快速理解热门LLM大语言模型

2025-06-20

MCP很好，但它不是万灵药！真正的技术进步，往往始于祛魅之后的清醒认知

2025-06-20

万字长文深入浅出教你优雅开发复杂AI Agent

2025-06-20

刚上线的大模型应用，为什么总是出现报错？

2025-06-20

Figma 推出官方 MCP，真正做到了所见即所得

2025-06-20

Andrej Karpathy：对于AI Agent的安全风险，我也束手无策

2025-06-20

超越Gemini和Qwen！3B小模型横扫中英文文档识别，表格公式识别提升超15%

2025-06-20

「LLM企业实战03」三大引擎对决：Ollama、Xinference与VLLM服务框架实测

了解更多

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

DeepSeek R1-0528 小版本升级

2025-05-29

教你解决GPT4o无法使用新版生图功能的教程

2025-04-11

AI Agent：大模型落地应用的“最后一公里”？

2025-04-01

微软突发“封杀令”！全面禁止Cursor使用C、C++、C# 扩展，开发者被迫回退版本

2025-04-12

分而治之：全面解析分布式分离 Inference 系统

2025-04-29

AI法规-《生成式人工智能服务管理暂行办法》（中国）（2023.7）

2025-04-12

比 R1 快 8 倍、价格仅 3%，智谱新推理模型来袭，能让免费智能体自己赚钱！张鹏：Agent 也有 Scaling Law

2025-04-06

万字长文深入浅出文本嵌入（Text-Embedding）技术

2025-04-13

谈谈MCP协议，如何缓解我们对大模型“数据安全”的焦虑

2025-04-15

豆包，让有独立显卡的电脑都能部署本地大模型，语料库就是电脑里的文件