小白爱摸鱼
@chaozuoye
有个做教育产品的朋友，上周用蚂蚁百灵刚开源的Ling-3.0-flash-VL，花了30分钟做了个给小孩订正作业的小工具。我一开始觉得这不就是OCR嘛，后来发现完全不是一回事。
他的思路是这样的：先让视觉模型看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。然后后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。这比单纯OCR有意思多了，因为它理解的是整个版面结构，不只是文字。
Ling-3.0-flash-VL总参数124B，但MoE每token只激活约5.5B。这对Visual Agent很重要，知识面广但推理成本低，能做到又快又好。以前这种项目你得自己接OCR、版面分析、错题识别，甚至训练专用模型，现在一个通用视觉模型30分钟就能把整条链路跑通。
当然坐标可能有偏差，还远没到干死作业App的程度。但往前一步，这种模型甚至很适合当教师模型——先让Ling批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小更快的专用模型。先让大模型直接干活，再让大模型教小模型干活。
OpenRouter现在可以免费使用Ling-3.0-flash-VL：openrouter.ai/inclusionai/li…
话题来源 @MinLiBuilds
66.9K阅读 ❤️361 x.com/…↗ 已改写，非原文转载
21 浏览 0 评论
0 反应
