展开本页目录
开始前准备什么
- 独立练习目录及Python 3.14；系统与Node依赖以README为准。
- 离线重放无需Key；新请求使用自己的apizt Key，先核对模型权限和当前价格。
- 原创合成材料，不需要登录第三方平台账号。
- 先看文件
- 按步骤操作
- 对照真实结果
- 离线或模型复跑
默认离线重放；包含完整失败尝试与本地检查，不含Key。
1. 核对本例材料与目标文件
原生文件生成、回读和独立检查均可重放；模型结果与文件处理分开验收。
先下载合成材料在独立目录练习。原始文件、模型输入与验收答案分别保留；本地核对答案不发送给模型。
input.json（节选）
{
"question": "Read the code and amount."
}
实际输入、原始文件和本例操作约束的浏览器截图
2. 按顺序完成这项具体操作
本次实际使用Python 3.14，依赖版本固定在资料包。需要LibreOffice或Node的案例请先按README安装对应运行时。python run.py读取真实旧响应完成本地处理；只有显式--live才发新请求。
- 1. 保留横向扫描页原图和页号
- 2. 本地按已知90度方向校正
- 3. 只向视觉API发送校正版
- 4. 将预设ROI坐标映回原页
- 5. 核对逆变换和识别字段
独立练习目录 · 默认仅离线复核
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python run.py3. 对照真正发送的请求
只处理给定原创虚构材料。只输出JSON，不补未提供的事实。只输出code和amount字符串，不猜其他字段。
网页实验台只执行这一步模型字段检查。原生文件写入、坐标/公式/格式回读及负例验收由下载包负责。
request-1.json（图片Base64省略，原文件在下载包）
{
"model": "gemini-2.5-flash-lite",
"messages": [
{
"role": "system",
"content": "严格只输出单个JSON对象，不要Markdown代码围栏，不要解释。只处理给定原创虚构材料。只输出JSON，不补未提供的事实。只输出code和amount字符串，不猜其他字段。"
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "严格只输出单个JSON对象，不用代码围栏。只处理给定原创虚构材料。只输出JSON，不补未提供的事实。只输出code和amount字符串，不猜其他字段。\nRead the code and amount."
},
{
"type": "image_url",
"image_url": {
"url": "[实际图片Base64；完整原始请求在资料包]",
"detail": "high"
}
}
]
}
],
"temperature": 0,
"max_tokens": 1200,
"provider": {
"sort": "success_rate"
},
"response_format": {
"type": "json_object"
}
}4. 查看原生处理代码与实际文件
下面节选来自本次实际执行的workflow.py分支，需要结合完整脚本运行。模型输出不能代替文件解析器或业务验算。
具体产物：rotated-source.png、corrected-page.png、source.pdf、source-page-1.png、result.json、checks.json。
workflow.py · 本例分支节选
source = Image.open(f / 'rotated-source.png')
corrected = Image.open(f / 'corrected-page.png')
ck('旋转前后真实像素尺寸', source.size == (600, 1000) and corrected.size == (1000, 600))
ck('模型读到实际图像字段', output.get('code') == 'FORM-023' and output.get('amount') == '73.20')
corrected_box = [60, 55, 500, 190]
x0, y0, x1, y1 = corrected_box
source_box = [y0, 1000 - x1, y1, 1000 - x0]
inverse = [1000 - source_box[3], source_box[0], 1000 - source_box[1], source_box[2]]
ck('坐标映射可逆', inverse == corrected_box)
ck('原页坐标落在实际图片边界', 0 <= source_box[0] < source_box[2] <= source.width and 0 <= source_box[1] < source_box[3] <= source.height)
result = {'fields': output, 'page': 1, 'corrected_box': corrected_box, 'original_box': source_box, 'coordinate_scope': 'local synthetic known ROI, not model-predicted bounding box'}
art += ['rotated-source.png', 'corrected-page.png']
add_native(f / 'source.pdf')
原生文件实际渲染或解码输入：corrected-page.png；不是第三方平台截图。
5. 对照真实结果和检查表
实测2026-10-25T07:48:53.137331+00:00，HTTP200；请求gemini-2.5-flash-lite，返回gemini-2.5-flash-lite。本次5/5项检查通过，指本例执行及验收机制通过，不代表所有模型字段零误差。
最后一次返回用量1200tokens；1份尝试记录的已知用量合计1200。失败记录保留，用量缺失不按0计，本文不推算实际金额。
| 实际检查 | 结果 |
|---|---|
| 真实apizt API响应HTTP200 | 通过 |
| 旋转前后真实像素尺寸 | 通过 |
| 模型读到实际图像字段 | 通过 |
| 坐标映射可逆 | 通过 |
| 原页坐标落在实际图片边界 | 通过 |
- 实际检查
- 真实apizt API响应HTTP200
- 结果
- 通过
- 实际检查
- 旋转前后真实像素尺寸
- 结果
- 通过
- 实际检查
- 模型读到实际图像字段
- 结果
- 通过
- 实际检查
- 坐标映射可逆
- 结果
- 通过
- 实际检查
- 原页坐标落在实际图片边界
- 结果
- 通过
result.json · 原生处理后实际结果
{
"fields": {
"code": "FORM-023",
"amount": "73.20"
},
"page": 1,
"corrected_box": [
60,
55,
500,
190
],
"original_box": [
55,
500,
190,
940
],
"coordinate_scope": "local synthetic known ROI, not model-predicted bounding box"
}
本例实际产物与原始响应的浏览器截图；本地检查和模型答案分开记录
6. 替换输入前，先确认这些边界
旋转角度和ROI来自合成输入的已知测试坐标；模型只识别字段，不预测检测框。不能据此承诺任意扫描的自动旋转或通用视觉定位。
修改材料后应重新制定事实断言和反例。识别错误率、混淆矩阵或拒答类教程允许保留模型实际错误；检查通过指计算和处理正确。没有调用视频模型。
怎样确认已经完成
- 真实apizt API响应HTTP200
- 旋转前后真实像素尺寸
- 模型读到实际图像字段
- 坐标映射可逆
- 原页坐标落在实际图片边界
常见问题
旋转 PDF OCR怎么开始？
保留横向扫描页原图和页号按本页顺序继续，先用下载包离线重放，再替换自己的材料。
网页试跑和下载包有什么区别？
网页只复跑模型字段，不生成全部原生文件；资料包包含实际原生处理和本地验收。
这次通过结果适用于其他材料吗？
旋转角度和ROI来自合成输入的已知测试坐标；模型只识别字段，不预测检测框。不能据此承诺任意扫描的自动旋转或通用视觉定位。