多模态能挖掘的地方还很多🌐 链接:

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…