
在上一篇《OCR电子书之我见》里,我介绍了配合 Antigravity 使用的全自动制作电子书的 Skill(pdf-book-ocr)。
那个方案虽然能跑通,但实际用下来有两个问题:
一个是慢。整本书全靠多模态大模型做视觉转录,中途要等挺久;
另一个是费 token。一整本书的页面全当成图片传给大模型,token 消耗相当大。如果中途格式不理想需要重试,用量掉得就更快了。
秉承着“面向小红书编程”的优良传统,我在评论区网友的安利下看到了 SoMark。
The ethereal flight, oft rehearsed in the theater of one's dreams...

在上一篇《OCR电子书之我见》里,我介绍了配合 Antigravity 使用的全自动制作电子书的 Skill(pdf-book-ocr)。
那个方案虽然能跑通,但实际用下来有两个问题:
一个是慢。整本书全靠多模态大模型做视觉转录,中途要等挺久;
另一个是费 token。一整本书的页面全当成图片传给大模型,token 消耗相当大。如果中途格式不理想需要重试,用量掉得就更快了。
秉承着“面向小红书编程”的优良传统,我在评论区网友的安利下看到了 SoMark。

在《光学字符识别?也学点新的》一文中,我提到了使用 Gemini CLI 自动化处理 OCR 任务的方法。那时候还有 Gemini CLI(现在我用 Antigravity),那时候还没有 Skill(我把工作流写在系统提示词里)。虽然处理结果不尽如人意,但也是一番心意。

我们一起流泪,哭我们只是孩子,什么也无法掌握。
——雷蒙·拉迪盖《魔鬼少年》

“后来,我的老师教导我,嘴巴才是人类心灵的窗户。”

“他喝的如果是牛奶,就变成白眼泪。”
——骆以军

刚刚看完的东西,我也一定要马上记下来。

“那么,是将大叙事所赋予的意义看作宿命,还是将从有限的可能性中选择出组合的偶然性当作宿命,这或许不仅仅是小说与电子小说游戏之间的差异,更象征性地展现出现代生存技法与后现代生存技法之间的差异。”
——东浩纪《动物化的后现代》

24 年 9 月,我在学校图书馆读过一本《世界人像摄影十杰》。
受到一些启发,我先让文字模型介绍摄影风格,然后写一段提示词,用 Flux 模型生成了几幅“大师风味作品”。
现在回看,当时的提示词太详细了,用文字去固定风格,已经失掉了很多可能性。
今天选择用更简单的提示词,看一下现在的模型对这几位摄影师风格的理解。
提示词就这一句:
1 | XXX 作品,无题,图中没有任何文字表述 |
自由度会很高,为了抽出我满意的几张,我选择用 Flow 里的 Nano Banana 2 生图。
这一篇会很好读。

“高烧未退,你我皆是病人。”

为了解放自己,我决定不再插手“翻译的艺术”。