陆零云
29
0
发票识别把订单号里的 0 认成 O,200 条样本里有 37 条错。人眼一眼能分,模型不行,尤其是字号小、像素糊的那批。业务侧要求订单号必须是十八位纯数字,错一位就查不到单。
第一反应是找 PaddleOCR 的白名单参数,想只放数字。翻完 2.7.3 的接口文档,检测和识别都没有字符集限制这一项,只有方向分类和语言模型可选。把 limit_side_len 从 960 提到 1280,准确率涨了一点,单张耗时从 210 毫秒涨到 430 毫秒,不值。
换...
陆零云
28
0
客服问答的后处理有一段时间天天报 JSONDecodeError: Expecting value: line 1 column 1 (char 0),把原始输出打出来看,开头是三个反引号加 json,结尾又是三个反引号,中间才是真正的对象。模型是 gpt-4o-mini,temperature 0.3,十次里大概有三次会包围栏。
第一版清洗用 s.strip('```json'),看着能跑,实际上 strip 的参数是按字符集合处理的,会把结尾的 j、s...
陆零云
32
0
用 faster-whisper 1.0.3 加 large-v3 转 120 分钟的访谈录音,出来的文字一个标点都没有,整段连成一行,人工校对要重听一遍断句。language 设的 zh,task 是 transcribe,beam_size 5,vad_filter 开着。英文素材同样参数是有标点的,说明不是模型不会断句,是中文输出习惯。
先试 initial_prompt,塞一句「以下是普通话的句子,请加上标点。」,标点回来一部分,主要是逗号和问号,...