大模型图片识别能力求助

感觉gemini的图片识别能力更强，可以试试

不太好做，感觉，现在大模型识别图片幻觉率还挺高的。

GPT-5.5低吗？我觉得挺好的啊。

如果你觉得识别正确率低，那你要弄个好的提示词。

AI识别会有“自动纠错”机制，上次我拿去识别PPT截图，5.5自动把别人的笔误纠正了。

是的，做了几次尝试了，卡住，没什么进展

3.1Pro还是3.5flash强一点？

文字肯定识别得好呀，现在是商品的摆放，构图，颜色，材质来区分

我用的gemini-2.5-pro就感觉不错，3.1Pro应该会更强吧

哦，这样的话，那肯定gemini了。上次我让gemini识别枪械上的配件，他竟然能找到同款 ^-^

我之前用3.1pro识别复杂排版的PPT，pro的正确率比flash强得多。

flash经常搞不清排版顺序。

识图正确率太低，那可能是训练集在这个方面不够好，可以自己用训练集补强。整理出一个yolo的训练集，然后用标签工具给图片打上标签，让gpt多对照这个库来判断，或者后台运行yolo识别图片。但是yolo可能需要的空间比较大，而且跑训练集时间比较久

大佬，我没有做yolo识别训练集，现在只是丢给模型，然后提示词，让他识别后返回结果，程序根据识别结果拆分

富裕的话，就用gpt和gemini交叉验证图片是否识别正确，然后用一个文件夹做验证集，放二三十张明显的图片，十张容易错的图片，比较一下召回率和精确率，后面慢慢把模型搞错的重命名之后放进去。其他的没接触这么深，不清楚有没有用

用dino2/3 做特征提取，然后用于余弦做聚类，如果知道款式数量就用knn，不知道数量就用社区算法做自动聚类，阈值不好弄，得调。

大佬是懂行的，我这个功能预算是几K，每组商品识别不超过1块钱，能实现吗 ^-^

体感 gpt 和gemini各有千秋

dino做特征提取相对简单，AI写个python脚本就可以搞定，自动聚类参考我的仓库 openmynet/fces-rs: fces rust 用AI把rust翻译成你需要的语言就行。

做好了做好了，gemini-3.1-pro实现了，用提示词+图片转base64

佬，请问你做的工具，是支持tb和pdd的商品自动上架吗

不是的，我做境外的，tb和pdd不是大把吗