多模态能挖掘的地方还很多

最近在用 Codex 瞎搞一个项目，需要做类似麻将牌的图片识别，需要输出每张牌的 bounding box 和 牌型。Codex 先拿 Tesseract 做了个模型，但效果很差。让它改进结果 Codex 自己 train 了个 CNN 出来… 从数据集到环境搭建到代码编写到实验都是一次完成的 ^-^

不过重点不是这个，而是后面想着要不要直接用云端的 AI 大模型接口来做，让 Codex 调研了一下结果发现 Gemini 天生支持这个：

想着是不是其它多模态模型也都支持呢？于是就测试了一下，发现连 Gemini 3.1 Flash-Lite 都可以把其它家吊起来打，更不要说 3.5 Flash 了。结果如下：

不得不说 Gemini 虽然已经年老色衰了（3.5 Pro 你到底什么时候出来 ^-^ )，但是在这种偏门的地方把能力堆满还真是符合 Google 的一贯作风。

虽说因为 AI Coding 的盛行，目前模型的主流优化方向并不在这里，但是能看到多模态多能力的模型百花齐放，还是很开心的。

顺便放一篇找到的别人做的测试：