# 密集文字识别：五模型三轮补充实验

_DSH 视觉分块插件 v2.0 · 2026-08-23 · Asia/Shanghai_

---

## 📋 摘要

本实验专门隔离“密集小字能否被完整读出”。4 张合成文档各包含 100 个无语义、唯一的 8 位随机码，覆盖横版、竖版、低对比小字和轻微线条干扰。每组对每页运行 3 轮，共计 12 次读取、1,200 个严格整码判断；任意一位字符错误都视为整码错误。

结果显示，**DeepSeek 单图直读 F1 为 19.68%，使用 v2 分块插件后为 96.44%**，提高 76.76 个百分点。低对比页 D03 上，直读召回率为 0%，插件为 93.33%；带线条干扰的 D04 上，直读为 0.33%，插件为 99.00%。这为“每张图片最多 384 个视觉 token 会在密集小字场景损害读取质量”提供了直接、受控的工程证据。DeepSeek 官方说明大图会缩放，且每张图片的视觉 token 上限为 384；多张图片分别计算。[^1]

五组严格整码 F1 排名为：GPT-5.5 99.25%、GPT-5.6 Terra 98.67%、DeepSeek + v2 插件 96.44%、GPT-5.6 Luna 94.99%、DeepSeek 单图直读 19.68%。

> ⚠️ **结论边界：** 这是合成密集随机码基准，不是自然场景通用视觉排行榜。Codex 三模型与 DeepSeek API 的延迟和计费可观测性不同，不能把全部运营指标视为同口径服务基准。

## 🔬 实验设计

### 文档与难度

随机码使用固定种子 `20260823` 生成，并排除 `I/O/0/1` 等天然易混字符，减少字体歧义。随机串没有语言语义，模型无法依赖常识补全文字。

| 页面 | 尺寸 | 排布 | 字号 | 难点 |
| --- | ---: | --- | ---: | --- |
| D01 | 2400×1200 | 5×20 | 18 px | 宽幅缩放 |
| D02 | 1200×2400 | 4×25 | 17 px | 长竖版 |
| D03 | 2600×1600 | 5×20 | 14 px | 低对比小字 |
| D04 | 1800×2600 | 4×25 | 16 px | 线条干扰 |

### 对照组

| 组别 | 输入 | 执行方式 |
| --- | --- | --- |
| GPT-5.5 | 单张原图 | Codex，medium reasoning |
| GPT-5.6 Luna | 单张原图 | Codex，medium reasoning |
| GPT-5.6 Terra | 单张原图 | Codex，medium reasoning |
| DeepSeek 直读 | 单张原图 | `deepseek-v4-flash-vision-exp` |
| DeepSeek + v2 | 全局图 + 完整覆盖切片 + 1 张细节图 | 同一 DeepSeek 模型 |

DeepSeek 插件根据页面尺寸生成 10–14 张输入图，平均每次 12 张；单图直读固定为 1 张。所有 DeepSeek 调用关闭思考模式、温度为 0。各页、轮次和 DeepSeek 策略采用固定种子随机顺序。

### 盲测与重复

实验单位是文档页，独立页数量为 `n=4`；三轮属于技术重复，不把 12 次调用误报为 12 张独立文档。Codex 第 2、3 轮使用全新、无历史上下文的模型实例，避免看到前一轮答案。所有模型在输出前均禁止访问标签、评分结果和其他模型答案；标签只在输出完成后用于计分。

```mermaid
flowchart LR
    accTitle: Dense Text Benchmark Flow
    accDescr: Reproducible dense-code pages are sent blindly to five model arms, after which exact codes are extracted and scored with latency, token, and price records.

    generate[⚙️ 生成随机码] --> render[📄 渲染密集页]
    render --> blind[🔒 五组盲读]
    blind --> extract[🔍 提取八位码]
    extract --> score[📊 计算严格指标]

    classDef process fill:#dbeafe,stroke:#2563eb,stroke-width:2px,color:#1e3a5f
    classDef success fill:#dcfce7,stroke:#16a34a,stroke-width:2px,color:#14532d
    class generate,render,blind,extract process
    class score success
```

### 指标定义

主指标是唯一 8 位码集合的微平均召回率、精确率和 F1。每页知道有 100 个码，但评分不因“输出数量接近 100”而给分；只有完整字符串与标签完全一致才算命中。延迟记录为端到端墙钟时间。DeepSeek token 来自 API `usage`；Codex 当前任务界面不返回任务级视觉/input token 或可计费金额。

## 📊 主要结果

### 严格整码准确率

| 组别 | 召回率 | 精确率 | F1 |
| --- | ---: | ---: | ---: |
| GPT-5.5 | 99.17% | 99.33% | 99.25% |
| GPT-5.6 Terra | 98.67% | 98.67% | 98.67% |
| DeepSeek + v2 插件 | 96.00% | 96.89% | 96.44% |
| GPT-5.6 Luna | 94.75% | 95.23% | 94.99% |
| DeepSeek 单图直读 | 19.08% | 20.32% | 19.68% |

DeepSeek 插件相对单图直读：召回率提高 **76.92 个百分点**，F1 提高 **76.76 个百分点**，F1 约为原来的 4.90 倍。插件版比 Luna 高 1.46 个百分点，但仍低于 Terra 2.22 个百分点、低于 GPT-5.5 2.81 个百分点。

### 逐页召回率

| 组别 | D01 | D02 | D03 | D04 |
| --- | ---: | ---: | ---: | ---: |
| GPT-5.5 | 98.67% | 99.00% | 99.67% | 99.33% |
| GPT-5.6 Terra | 99.33% | 99.00% | 96.67% | 99.67% |
| DeepSeek + v2 插件 | 94.33% | 97.33% | 93.33% | 99.00% |
| GPT-5.6 Luna | 97.33% | 96.00% | 91.33% | 94.33% |
| DeepSeek 单图直读 | 29.67% | 46.33% | 0.00% | 0.33% |

D03 的 14 px 低对比字是插件版 DeepSeek 和 Luna 的共同难点。D04 虽然带有线条干扰，但插件版达到 99%，说明本次失败的主因更接近整图缩放后的字符分辨率，而非简单背景杂线。

### 延迟

| 组别 | 中位延迟 | P95 延迟 | 口径 |
| --- | ---: | ---: | --- |
| DeepSeek + v2 插件 | 6.08 s | 7.29 s | API 请求 |
| DeepSeek 单图直读 | 6.87 s | 7.84 s | API 请求 |
| GPT-5.6 Terra | 25.17 s | 739.81 s | Codex 端到端 |
| GPT-5.6 Luna | 27.48 s | 47.70 s | Codex 端到端 |
| GPT-5.5 | 27.95 s | 708.11 s | Codex 端到端 |

插件版 DeepSeek 的中位延迟没有上升，反而比直读低约 0.79 秒；样本量小且服务波动存在，不能据此断言多图必然更快。GPT-5.5 和 Terra 的 P95 被首轮两次 11–12 分钟的长尾检查拉高，报告保留该观测，不用截尾数掩盖。

## 💰 Token 与价格

### DeepSeek 可观测资源

| 指标 | 单图直读 | v2 插件 | 变化 |
| --- | ---: | ---: | ---: |
| 图片 / 次 | 1.0 | 12.0 | +11.0 |
| Prompt token / 次 | 441.0 | 4,323.0 | +880.3% |
| Completion token / 次 | 694.5 | 647.8 | -6.7% |
| 总 token / 次 | 1,135.5 | 4,970.8 | +337.8% |
| 中位延迟 | 6.87 s | 6.08 s | -11.5% |

价格按 2026-08-23 核实的 DeepSeek V4 Flash 公布价估算：缓存命中输入 ¥0.02/百万 token、未命中输入 ¥1/百万 token、输出 ¥2/百万 token。[^2] 实验视觉模型没有单独列在公开价格表，因此以下金额是估算，不等同于最终账单。

| 估算口径 | 单图直读 / 次 | v2 插件 / 次 | 插件增幅 |
| --- | ---: | ---: | ---: |
| 观察到的缓存混合 | ¥0.001830 | ¥0.004521 | +147.1% |
| 全部输入未命中 | ¥0.001830 | ¥0.005619 | +207.0% |

虽然插件每次更贵，但“每 100 个正确整码”的观察缓存成本约为 ¥0.00471，单图直读约为 ¥0.00959。换言之，在这套密集文字任务中，插件的单次账单约为 2.47 倍，但每个正确结果的成本约降低 51%。

### Codex 价格边界

GPT-5.5、Luna 和 Terra 通过 Codex 订阅环境运行。当前任务界面没有暴露三者的任务级输入/视觉 token、输出 token 或可计费金额，因此这些栏位必须记为 `不可观测`，不能根据模型名称猜测 API 价格，也不能与 DeepSeek 账单做虚假的精确比较。

## 💡 解释与局限

### 384 token 是否降低读取质量

答案是：**会，至少在密集小字、低对比和大幅缩放组合下会显著降低。** 同一 DeepSeek 模型、同一提示、同一 4 页数据、同样三轮重复中，改变的核心是从 1 张整图改为具有完整覆盖的多张局部图。整图仅得到约 441 个 prompt token，其中视觉输入受到单图 384 上限约束；插件平均得到 4,323 个 prompt token，并把每个局部区域放到独立图片预算中。准确率由 19.68% F1 上升到 96.44%，与“分辨率预算不足”机制一致。

这不意味着任何普通图片都应分割。上一轮长收据实验中，DeepSeek 直读已达到 94.10% F1，插件只提高到 96.80%；本轮密集随机码把文本尺寸和语义补全能力同时压低，因此放大效果被刻意放大。插件应由图像尺寸、文字密度和任务风险触发，而不是对所有图片强制开启。

### 方法局限

- 只有 4 张独立文档页，三轮是技术重复，外推到自然文档时需要更大数据集
- 合成随机码消除了语言先验，适合测试看清能力，但比自然语言 OCR 更苛刻
- 提示明确告知每页有 100 个码，可能帮助模型控制输出数量，但不会帮助猜出随机字符
- Codex 与 DeepSeek 的推理入口、延迟定义、token 可观测性不同
- 插件同时改变图片数量、局部分辨率和输入 token，不能把提升归因于单一内部算子
- 公开价格页没有单列视觉实验模型，成本采用 V4 Flash 公布价估算

## 🎯 结论与建议

1. **密集文字默认开启 v2：** 当整图长边大于约 1800 px、字号很小或任务要求逐项不漏时，单图 384 视觉 token 风险很高
2. **保留完整覆盖切片：** 仅添加一个中心放大图不够；D01–D04 的信息分散在全页，必须保证每个源像素进入至少一个基础切片
3. **把低对比增强作为 v0.3 优先项：** D03 的插件召回率仍只有 93.33%，可在切片后增加局部对比度增强或灰度锐化的可选复核图
4. **用两阶段策略控制成本：** 第一阶段快速直读并报告低置信区域，第二阶段只对疑难坐标生成细节图，可望降低平均 4,323 个 prompt token
5. **继续使用严格随机码回归：** 它对一字符错误敏感，适合作为插件版本升级时的固定防退化测试

## 🔗 复现材料

公开仓库包含汇总 JSON 和可复现实验脚本；测试图片、精确标签及未聚合模型输出保留在本地实验目录，不纳入公共版本，也不包含任何 API 密钥。

## 🔗 参考资料

[^1]: DeepSeek. “图像理解：Token 用量.” _DeepSeek API Docs_. https://api-docs.deepseek.com/zh-cn/guides/vision

[^2]: DeepSeek. “模型 & 价格.” _DeepSeek API Docs_. https://api-docs.deepseek.com/zh-cn/quick_start/pricing

---

_最后更新：2026-08-23_