视觉语言模型（VLMs）如通义千问3-VL（Qwen3-VL）能够同时处理图像和文本输入，并以自然语言进行响应，显著提升了对文档和图像中视觉信息的理解能力。相比传统OCR+大语言模型（LLM）的流程，VLMs在多个方面展现出更强的实用性。 传统OCR工具（如Tesseract）在处理小字、倾斜图像或竖排文字时表现不佳，且会丢失文本的视觉位置信息。例如，在包含复选框的表格中，仅靠OCR提取文本无法判断哪些内容与被勾选的选项相关。而Qwen3-VL能直接理解图像中的视觉布局，准确识别出被勾选的条目。测试中，模型正确识别出“文档1”和“文档3”被勾选，而“文档2”未勾选，展示了其对视觉上下文的理解能力。 此外，VLMs还能处理视频理解任务。由于视频中大量信息以图像形式呈现而非文本，OCR难以胜任，而VLMs可通过连续帧输入实现对视频内容的分析。 在实际应用中，Qwen3-VL支持高精度OCR和结构化信息提取。测试使用挪威奥斯陆市规划局的一份PDF截图，分辨率达600 DPI，经裁剪后输入模型。通过指定提示词“读取图像中所有文字”，模型完整准确地提取了包括日期、地址、比例尺等关键信息。 进一步测试中，要求模型以JSON格式提取特定字段，如日期、地址、Gnr（地块编号）、比例尺等。模型成功返回有效JSON，且当字段缺失时（如Bnr），正确返回None，表现出良好的判断能力。 然而，VLMs仍存在局限：一是可能遗漏部分文本，尤其在复杂或密集排版的图像中；二是对计算资源要求高，即使使用4B小模型，在处理高分辨率图像（如2048×2048）时也易出现内存不足问题。 总体而言，VLMs正推动AI从纯文本理解迈向多模态认知。随着模型能力提升，它们将在文档分析、智能审图、自动化信息提取等领域发挥越来越重要的作用。未来，视觉理解将成为构建强大AI系统的关键一环。