白板上写着“周五出图负责人像是小林”模型很可能给出一张整齐表格。真正的问题是负责人究竟写清了吗如果模糊字符被自动补成姓名表格越规范错误反而越难察觉。这个工具应当输出来源区域、原文、提取字段和待核实项。OCR 或视觉模型负责识别应用负责保留疑点不让一个空单元格被流畅的语言填满。图像识别与文本整理是两段流程2026 年 10 月 21 日 NVIDIA 的文档解析介绍强调结构、位置和阅读顺序。生活白板也需要这样的来源定位一条任务能回到照片中的区域复核时才知道该看哪里。官方文章10 月 19 日 Ollama 的 Clef 公告把截图、票据等图像列为决策输入场景。这表明图像可以进入结构化流程并不证明对你的潦草手稿就能可靠识别。公告先验证提取协议下面输入是人工准备的识别结果不执行 OCR。保存为 whiteboard.py演示来源关联和未知值如何保留。regions { A: {text: 周五完成封面草稿, bbox: [10, 20, 240, 90]}, B: {text: 负责人看不清, bbox: [250, 20, 380, 90]}, } candidate { task: 周五完成封面草稿, source: A, owner: None, owner_source: B, } def validate(item): if item[source] not in regions: raise ValueError(任务没有来源区域) if item[task] not in regions[item[source]][text]: raise ValueError(任务文字不在原始识别结果里) if item[owner] is not None: ref regions.get(item[owner_source], {}).get(text, ) if item[owner] not in ref: raise ValueError(负责人没有文字证据) return {**item, needs_review: item[owner] is None} assert validate(candidate)[needs_review] try: validate({**candidate, owner: 小林}) except ValueError: pass else: raise AssertionError(无证据姓名被接受) print(validate(candidate))子串检查不理解语义也无法纠正 OCR 本身错字。真实应用需要显示原照片、区域框与识别文字允许人修改照片旋转或压缩后还要保证坐标映射一致。相对日期也不要偷偷变成截止时间“周五”依赖白板书写日期“下周再看”更不一定是任务截止日。没有参照日期时保留原表达向用户确认后再建提醒。无主语的“已完成”也不能自动对应上一行任务。若采用 Ollama 的 JSON schema 输出可约束字段类型并让 owner 允许为空输出仍需业务校验低温度不会保证事实真实。官方结构化输出文档本文只验证了人工识别结果的协议没有运行 OCR、视觉模型或提醒平台。整齐的表格应当帮助发现疑点而不是把疑点藏起来。
