牛逼了！AI 视觉模型运用在审计场景中
阿里开源的通义千问的视觉模型是非常牛逼的，
在年前他又开源了 qwen2.5 vl 模型，对于 7b 的模型没有想到比之前又强大了非常多了。
手写单据
我们还是每次我都会测试的银行询证函的回函信息来做测试：
我用我的 macbook m3 max 128G 的本地跑 qwen2.5-vl-7b-instruct 模型：
我直接提问：“请帮我提取出回函结论中，“信息不符，请列明不符项目及具体内容”单元格内的手写的文字信息。”
我把它回答的信息单独列出来：
截止2022.12.31我司显示贵司的应收账款余额为：21926049.64 2022年1-12月累计含税销售额为：252637245.85
可以看到是完全准确的，之前使用2.0 版本的时候，7b 模型还不能完全把手写的数字搞准确。
现在这种手写的居然全对了。
要知道， 7b 的模型，在消费级显卡就可以跑起来！
同样场景下，那些手写的签收单什么的，不都可以自动提取了吗？
甚至直接提示词里让它给我们检查有没有对应签字或者盖章，
直接给我结果就好了。
特殊票据、凭证
对于被审计单位的细节测试，我们可能会去检查很多原始凭证。
以下面一张票据为例：
对于类似的票据，我们可能会让助理去登记一些信息。
但我们利用本地部署的AI可以直接识别出来，而且面对不同的票据，我们只需要更换提示词提取我们想要的字段：
回答的信息如下：
根据图片中的信息，以下是提取出的发票相关详细信息：
- 发票代码：221021325353
- 发票号码：10283819
- 到站：开发区
- 票价：8.00元（全）
- 乘车日期：2013-06-29
- 开车时间：流水
- 车次：040
- 座号：371
- 检票口：无明确标注
很完美了。
我们甚至在审计场景中，可以让它直接帮我们检查是否有盖章以及盖章的公司名称：
很棒。
它甚至对于这样扭曲和有高光，人眼都不是很好识别的图片也能很好提取信息：
结束
平时大家关注的都是类似 DeepSeek 这样的大语言模型，
而视觉模型其实在审计场景中也值得关注。
审计过程中存在大量细节测试内容，
很多基础的检查工作依赖于助理肉眼去检查，
而这些工作有很大空间可以利用上视觉模型，
并且现在的开源模型已经非常强大，且所需成本非常低。
挖掘具体需求场景，嵌入到实际审计系统中已经完全可以实现，
相信有能力的事务所很快就可以运用起来。
参考网址
qwen2.5-VL 开源模型:https://github.com/QwenLM/Qwen2.5-VL/tree/main?tab=readme-ov-file
没有能力本地部署的朋友，可以使用通义千问的官网测试：