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： 1985

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

2025-10-31

OpenAI 公开 Atlas 架构：为 Agent 重新发明浏览器

2025-10-31

Palantir 本体论模式：重塑企业 AI 应用的 “语义根基” 与产业启示

2025-10-31

树莓派这种“玩具级”设备，真能跑大模型吗？

2025-10-30

Cursor 2.0的一些有趣的新特性

2025-10-30

Anthropic 发布最新研究：LLM 展现初步自省迹象

2025-10-30

让Agent系统更聪明之前，先让它能被信任

2025-10-30

Rag不行？谷歌DeepMind同款，文档阅读新助手：ReadAgent

2025-10-29

4大阶段，10个步骤，助你高效构建企业级智能体（Agent）

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-V3.1 发布，迈向 Agent 时代的第一步

2025-08-21

DeepSeekV3.1 提到的 UE8M0 FP8 Scale 是什么？下一代国产芯片设计？

2025-08-21

DeepSeek V3.1 测评

2025-08-19

新版 GPT-5 刚刚发布，最卷 AI 连肝代码 7 小时，编程工具大洗牌开始了

2025-09-16

实测 Sora 2 ：AI视频的“ChatGPT时刻”来了？八大场景教你解锁各种玩法（附邀请码）

2025-10-02

AI大家说 | 下一代AI创业的机会在哪里？定价趋势是什么？

2025-09-08

阿里发布下一代企业级智能体开发框架AgentScope 1.0

2025-09-17

DeepSeek突然更新V3.1：实测后才发现的亮点与槽点

2025-08-19

RagFLow v0.20.X全面解析！双向MCP、Agentic智能体...这次真的起飞了！（附长图）

2025-09-29

DeepSeek v3.1 到底有多强？与 Claude Code 一起实测！

2025-08-20

大家都在问

树莓派这种“玩具级”设备，真能跑大模型吗？

2025-10-31

大模型的Funcation Calling是什么？

2025-10-29

向量搜索已过时，混合搜索都有三大流派了！你看好哪个流派？

2025-10-29

BCG最新报告：企业如何跨越AI价值鸿沟，进入复利增长？

2025-10-28

如何用飞书多维表格快速搭建一个可落地应用？

2025-10-28

当AI学会“听”：声音识别到声音理解，AI到底是怎么听懂的？

2025-10-27

如何让你的内容出现在AI生成的答案中？

2025-10-26

2025，为何“体感上没有AI爆款应用”？

2025-10-25

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 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB