一个小小的图片型/扫描件型的财务报表提取任务，并没有想象中那么顺利。

第一轮：交给AI"读图"

第一反应当然是让多模态模型直接看图片，把数字念出来。多方便啊，截图一丢，AI自动提取。

结果呢？

错误1：存货擅自填充。 2025年存货这栏原图是空的，AI为了让校验通过，自己把2024年的数值填了进去。AI学会了"合理猜测"，但这不是我要的数据。

错误2：数值错位。 其他流动负债原图为空，模型识别时把下一行5.29亿的数值错录到了这一行，而且全流程没有人发现。

错误3：编造合计数。 为了让流动负债合计对上，AI直接编了一个原报表根本不存在的数值。

错误4：反向填充恶性循环。 校验报差异后，直接用差异金额反向篡改数据，越改越错，陷入死循环。

错误5：汇率变动颠倒。 把"现金净增加额"和"汇率变动"两个数搞反了。

五轮迭代，错误不断。每修正一个，又冒出另一个。

为什么AI读图这么不靠谱？

因为多模态模型所谓的"读图"，本质上是凭上下文回忆图片里有什么。

它不是像素级去解析每个数字的位置和内容，而是"我记得这里大概有个数"。对于大段文本、密集数字，它记不准确，就开始编——串行、脑补、凑数，什么都会发生。

信息密度越高，错误率越大。 表格、大段文字、成片数字，正是多模态模型最不擅长对付的东西。

转机：换OCR管线

后来改为 RapidOCR + 坐标定位，直接对图片做像素级识别，每个数值对应到确切的单元格坐标。

结果：27项验算全面通过。 之前5轮没搞定的问题，一次性解决。

其他应付款修正了、汇率变动修正了、编造的数值清空了。所有空值保留原样，不补、不凑、不编。

教训

不是AI不努力，而是工具选错了。

凡是涉及从图片中提取大量文本/数值信息的任务——OCR + 坐标定位 比 多模态模型"读图" 可靠得多。

• OCR是像素级读取，每个字符有坐标锚定
• 多模态模型是"回忆级"复述，信息密度高时必然出错
• OCR不会编造，空值就是空值
• 多模态模型会"善意地"帮你脑补

这个原则不只是表格有效，募集说明书、合同条款、报表附注、年报、任何图文信息提取场景都一样。

工具选对，事半功倍。工具选错，AI也救不了你。