文字提取（OCR）

在调用qwen-vl-ocr模型进行文字提取时，为了获得最佳识别率，messages需包含以下参数：

"input": {
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {
            "role": "user",
            "content": [
                {
                    "image": image_url,
                    "min_pixels": 28 * 28 * 4,
                    "max_pixels": 1280 * 784,
                },
                {"type": "text", "text": "Read all the text in the image."},
            ]
        }
    ]
}

• text：建议指定为 "Read all the text in the image."，设置为该值可获得最佳的识别效果。

• min_pixels：可选字段，表示输入图像的最小像素。默认值为3136（28*28*4），最小值为100（10*10），最大值不超过max_pixels的设置值。

  若输入图像小于min_pixels的设置值，会将图像按长宽比例放大到设置值。

• max_pixels：可选字段，决定了输入图像token的最大值。默认值为1280*784，最小值应大于min_pixels的设置值，最大值为30000*784。

  若输入的图像像素大于max_pixels的设置值，会将图像按长宽比例缩小到设置值。

  对小于4000*784像素的图像，将max_pixels设置为1280 * 784可以获得最佳识别率。

  对大于4000*784像素的图像，max_pixels应设置为图像像素1/3以上。

parameters需包含以下参数：

"parameters": {
    "top_p": 0.01,
    "temperature": 0.1,
    "repetition_penalty": 1.05,
    "max_tokens":2000
}

• top_p：核采样的概率阈值，用于控制模型生成文本的多样性。

  默认值为0.01。

  top_p越高，生成的文本更多样。反之，生成的文本更确定。

• temperature：采样温度，用于控制模型生成文本的多样性。

  默认值为0.1。

  top_p越高，生成的文本更多样。反之，生成的文本更确定。

• repetition_penalty：用于控制模型生成时连续序列中的重复度。

  默认值为1.05。

  提高repetition_penalty时可以降低模型生成的重复度；默认值为1.05，该参数对模型效果影响很大，请勿随意修改。

• max_tokens：模型输出文本最大token数。

  默认值为2000，推荐设置为2000；最大值为4096；超过最大长度的结果会被截断。