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： 2086

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

2025-12-17

腾讯大模型「变阵」：成立 AI Infra 部，姚顺雨出任首席 AI 科学家

2025-12-17

OpenAI发布了其实时API的新模型

2025-12-17

有人逆向拆解了ChatGPT 的记忆功能

2025-12-17

智能体协同落地方案探索

2025-12-17

吴恩达最新课程：别再只写Prompt了！掌握Agentic AI，让AI自主工作！

2025-12-17

开发者能用 ChatGPT App 赚钱了｜机会，留给晚睡的人

2025-12-17

一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

2025-12-16

深度研究：我们如何构建水平最先进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

从需求场景出发的AI应用项目落地方法论

2025-09-19

马斯克 Grok imagine 完整使用指南：工具、案例、提示词，看这一篇就够了！

2025-10-26

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

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

一文速览OpenAI Dev Day 2025，下半年开始大洗牌

2025-10-07

Claude Sonnet4.5发布，号称世界最强模型，超越gpt-5-codex

2025-09-30

我挖到Gemini 3.0 Pro十大隐藏玩法，做网页已经落后N个版本了

2025-11-19

2025-10-20

深度体验TRAE SOLO 正式版，总结一点技巧(附完整可重现提示词和源码)

2025-11-13

Sora 2带来3个颠覆性创新，这个行业或将被彻底重构

2025-10-02

大家都在问

Prompt是与LLM对话的唯一方式：如何给大模型装上能指挥“手脚”的脑子？

2025-12-16

200k Tokens 的上下文真的够用吗？

2025-12-15

巨头翻身！谷歌全新AI浏览器Disco问世，PC版灵光？

2025-12-14

2025年，企业级AI的主战场在哪里？

2025-12-12

GPT 5.2的长上下文厉害了，但是写文真的强吗？

2025-12-12

涌现观点｜AI 开发的"App Store 时刻"：为什么你应该停止构建 Agent？

2025-12-11

Human In the Loop竟然可以是个MCP?

2025-12-09

AI会消灭搜索吗？

2025-12-08

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 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