Joffoo's blog

The ethereal flight, oft rehearsed in the theater of one's dreams...

OCR 电子书之我见(续)

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。

风格的幻觉与被存在的模特

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。

Proudly powered by Hexo and Theme by Hacker
© 2026 Fengyukongzhou