DriftLedger/docs/ocr及文本模型测试.md

硅基流动与智谱 AI 账单 OCR 及 JSON 结构化提取实测报告

本报告针对测试图片（20260725-142945.jpg 信用卡账单截图），对 硅基流动 (SiliconFlow) 与 智谱 AI (BigModel.cn) 平台的视觉大模型、OCR 引擎及多模型组合进行了多轮实测基准对比。

---

目录

1. 测试结论与终极选型建议
2. 实测性能对比总表
3. 硅基流动 (SiliconFlow) 平台测试详解
4. 智谱 AI (BigModel.cn) 平台测试详解
5. 免费模型配额与 Rate Limits 规则
6. DriftLedger (浮记) 架构与账户分配流程

---

一、 测试结论与终极选型建议

Tip

最佳单 API 直出方案：智谱 glm-4v-flash

• 耗时仅 3.22 秒，单次 API 请求即可直接输出包含商户、金额、日期、卡号、原币的完美 JSON，且 100% 免费。

Important

最佳双阶段流水线方案：硅基流动 DeepSeek-OCR + THUDM/GLM-4-9B-0414

• 总耗时仅 4.36 秒（阶段一 OCR 1.17s + 阶段二 文本提 JSON 3.19s），全免费，OCR 文字识别准确率 100%。

Note

最佳跨国/外币高精度方案：DeepSeek-OCR + deepseek-ai/DeepSeek-V3

• 总耗时 5.39 秒，具备强大的语义推理能力，不仅提取出原币数字 21.19，还智能推断并补充了单位 USD。每次调用费用仅约 0.0008 分钱。

---

二、 实测性能对比总表

测试图片：20260725-142945.jpg（招商银行信用卡消费通知，含商户 GOOGLE *ChatGPT，金额 ¥143.97，信用卡 3315，原币 21.19，时间 2026-07-23 00:00:00）。

平台	模型 / 组合名称	架构类型	阶段1 耗时	阶段2 耗时	总耗时	提取准确度与 JSON 质量	资费类型
智谱 AI	glm-4v-flash	单阶段 VLM	-	-	3.22s	100% 完美 (提取极精准，结构清晰)	100% 免费
硅基流动	DeepSeek-OCR + GLM-4-9B-0414	双阶段流水线	1.17s	3.19s	4.36s	100% 准确 (结构化规范，无幻觉)	100% 免费
硅基流动	DeepSeek-OCR + DeepSeek-V3	双阶段流水线	1.17s	4.22s	5.39s	智能推导 (自动补全原币单位 USD)	低成本计费 (~0.0008分/次)
智谱 AI	glm-4.1v-thinking-flash	思维链 VLM	-	-	7.03s	带有 <think> 推理链，易超长截断	100% 免费
硅基流动	Qwen/Qwen3-VL-8B-Instruct	单阶段 VLM	-	-	10.34s	100% 准确 (一次生成完成)	100% 免费
硅基流动	PaddleOCR-VL-1.5	坐标类 OCR	-	-	62s ~ 114s	包含大量 <|LOC_xxx|> 点位标签与杂音	100% 免费

---

三、 硅基流动 (SiliconFlow) 平台测试详解

1. deepseek-ai/DeepSeek-OCR

• 定位：端到端纯文档/图片至 Markdown 识别模型。
• 优点：速度极快（1.17s ~ 1.48s），完美还原表格与富文本结构。
• 限制：不支持通用大语言模型的指令遵循（无法直接提示词输出 JSON，强制开启 json_object 会陷入空格生成死循环）。

2. PaddlePaddle/PaddleOCR-VL-1.5

• 定位：带坐标识别的文档/版面分析大模型。
• 缺点：缺少张量并行加速，单次生成生成耗时高达 60~110 秒，输出结果混杂大量的点位 Token。

3. 双阶段流水线提取结果（实际返回 JSON）

{
  "occurredAt": "2026-07-23 00:00:00",
  "amount": 143.97,
  "currency": "CNY",
  "direction": "expense",
  "counterparty": "GOOGLE *ChatGPT",
  "memo": "信用卡尾号: 3315, 原币金额: 21.19 USD"
}

---

四、 智谱 AI (BigModel.cn) 平台测试详解

1. 智谱免费 Flash 模型分类与特性

• glm-4v-flash：智谱基础免费视觉模型，实测表现最稳定、速度最快 (3.22s)，原生支持 json_object。
• glm-4.6v-flash：最新轻量多模态模型，支持原生工具调用（Tool Calling），但免费接口频控较严（并发时易触发 HTTP 429）。
• glm-4.1v-thinking-flash：具备 Thinking 思维链机制，回答前会在 <think> 中展开多步骤思考逻辑。
• glm-4-flash-250414：纯文本/代码轻量旗舰模型，适合放在双阶段流水线的 Stage 2。
• CogView-3-Flash / CogVideoX-Flash：分别用于文生图与视频生成。

2. glm-4v-flash 实测输出数据

{
  "occurredAt": "2026-07-23 00:00:00",
  "amount": 143.97,
  "currency": "CNY",
  "direction": "expense",
  "counterparty": "GOOGLE *ChatGPT",
  "memo": {
    "card_last_4_digits": "3315",
    "original_amount": 21.19,
    "country_or_region": "美国"
  }
}

---

五、 免费模型配额与 Rate Limits 规则

1. 硅基流动 (SiliconFlow)

• 门槛：需完成账户实名认证。
• 配额：
  • RPM (Requests Per Minute)：100 ~ 1,000 RPM（中小模型 500~1000 RPM）。
  • TPM (Tokens Per Minute)：50,000 ~ 100,000 TPM。
• Pro/ 专线：带 Pro/ 前缀的模型（如 Pro/deepseek-ai/DeepSeek-V3）为付费独占集群，无免费版的固定并发上限。

2. 智谱开放平台 (BigModel.cn)

• 免费规则：所有的 Flash 命名系列（GLM-4-Flash、GLM-4V-Flash 等）API 均免费开放。
• 并发控制：对高频连续调用设置了 RPM 阈值（触发时返回 HTTP 429 Too Many Requests），代码中需配置指数退避或 1~2 秒重试间隔。

---

六、 DriftLedger (浮记) 架构与账户分配流程

针对识别结果中“为什么只包含时间、金额、商户名，而没有 Beancount 账户”的说明：

1. 职责解耦设计

识图/OCR 模块只负责提取客观的原始交易事件 (ImportedEvent)，定义于 types.ts。由于每个用户的 Beancount 账户名（如 Assets:招商银行:信用卡3315）是高度个性化的，模型无法预知用户本地账本结构。

2. 账本账户决定流程

账户映射是在 BillPipeline 责任链 中完成的：

[账单截图]
    │
    ▼ 1. 图像解析 (AiVisionProcessor.ts)
[ImportedEvent] ─── (仅含时间、金额、商户 GOOGLE *ChatGPT、备注 3315)
    │
    ▼ 2. 进入流水线 BillPipeline.process() ─── [billPipeline.ts]
    ├──> ① 转账识别 (recognizeTransfers)
    ├──> ② 批次去重与历史去重 (dedup)
    └──> ③ 规则匹配与账户分类 (rules.ts)
           ├── 匹配商户/卡号 "3315" ──> 资金来源账户 (sourceAccount): Assets:招商银行:信用卡3315
           └── 匹配商户 "GOOGLE *ChatGPT" ──> 支出分类账户 (categoryAccount): Expenses:订阅服务:AI
    │
    ▼ 3. 输出标准交易草稿 (TransactionDraft)
[TransactionDraft] ─── 包含标准的双式记账 Postings 分录

3. 相关代码位置

• 原始事件类型定义：src/domain/core/types.ts:L31-L38
• 账单流水线责任链：src/domain/pipeline/billPipeline.ts:L94-L180
• 规则分类与账户映射引擎：src/domain/rules/rules.ts:L1-L60
• AI 识图处理器服务：src/services/ocr/AiVisionProcessor.ts