OCR 视觉理解：Operit 看图识字 + 理解图表

两种视觉路线

Operit 的 OCR / 视觉理解走两条通道：

AutoGLM 通道（内置）

AutoGLM（智谱）是 Operit v1.7 起内置的视觉模型，主要服务于UI 自动化（见 AutoGLM 视觉理解），但也能单独用来做一般的 OCR 和图表理解：

> 「帮我看一下这张图片里的文字是什么，全部提取出来」
> 「分析这张销售数据图表，告诉我哪个月增长最快」

AutoGLM 的优势：和 Operit UI 自动化深度集成，截图直接喂给模型，不需要额外配置。

多模态大模型（需配置）

如果配了 GPT-4o / Gemini 1.5 Pro 等支持视觉的模型，Operit 会自动启用它们来处理图片相关请求：

GPT-4o Vision

> 「这张照片里有什么？帮我描述一下场景」
> 「读一下这张 PDF 文档的内容，提取关键要点」
> 「对比这两张截图，找出有哪些不同」

Gemini 1.5 Pro Vision

Gemini 支持 1M token 长上下文，可以一次看很多张图片或整个长文档。适合需要综合多图信息的场景。

对话触发（直接发图片 + 指令）

对话界面可以直接发送图片（从相册选或拍照），然后描述你想让 Operit 对这张图做什么：

> 「（发一张票据照片）帮我识别这张票据的日期、金额、收款方」
> 「（发一张手写笔记照片）把这些手写内容转录成 Markdown 文档」
> 「（发一张网页截图）帮我把这张网页截图里的表格数据提取出来」

Operit 自动：

1. 收到图片 → 选择最优视觉模型（AutoGLM 或已配置的多模态大模型）
2. 发送给模型 + 你的指令
3. 整理模型返回的结果 → 输出给你

典型使用场景

场景一：票据识别

拍一张发票或收据 → Operit 自动识别日期、金额、商品明细 → 整理成结构化表格 → 存到指定文件夹

场景二：文档数字化

拍几页纸质文档 → Operit OCR → 自动排版成 Markdown → 图片和文字对应好 → 归档

场景三：图表数据分析

发一张 Excel / 截图的图表 → Operit 理解图表内容 → 分析趋势和异常点 → 生成数据洞察报告

场景四：图片搜索

「帮我在网上找这张图的高清版本」→ Operit 把图发给视觉模型识别内容 → 深度搜图找相似

精度与局限

• 文字识别精度：清晰文档 ≥ 98%，手写 ≈ 70–85%（看字迹清晰度），发票 / 表格需要专门训练的模型
• 中文支持：AutoGLM 和 GPT-4o / Gemini 中文都不错
• 图表理解：能看懂柱状图、折线图、饼图，但复杂的专业图表（如化学分子结构）可能看不懂
• 隐私提示：敏感图片（身份证、银行卡）识别后立即删除原文件——不要留在手机存储里

和其他 OCR 方案的对比

建议：先用 Operit AutoGLM / GPT-4o Vision，精度不够再考虑专业 OCR 方案。