从票据识别到资产管理，实测百度这款开源模型打造财务AI工作流真香！

从票据识别到资产管理，实测百度这款开源模型打造财务AI工作流真香！从票据识别到资产管理，实测百度这款开源模型打造财务AI工作流真香！ Modified September 23, 2025 提取后的效果：同样的，也可以用上面提取票面信息的方式，将内容提取用程序做自动化核对，或者存入表格和数据库。最重要的是，这个模型是开源的可以做本地部署，完全可以满足企业生产场景使用。同时，千帆全面开源了不同尺寸的VL模型（VL 3B、VL 8B、VL 70B），专门面向企业级多模态应用场景，进行了深度优化，尤其是OCR和教育垂直场景。除了前面提到的70B之外，还有两款更小尺寸的模型，适合在单张显卡的主机上本地化部署，方便在不同场景下的使用。效果略差于70B，但是在很多场景下也足够使用。点击文末“阅读原文”直接跳转，可以直接登陆，在线体验Qianfan VL 8B和Qianfan VL 70B模型。模型介绍这里详细介绍下这一系列模型：千帆VL系列模型是百度发布的多模态视觉理解模型。它基于国产自研的昆仑芯P800芯片完成全流程计算任务，正好满足国产信创要求。它专门做了针对性训练，特别在智能办公（OCR）、教育场景（拍照解题）和其他企业⽣产⼒任务中表现优异。财务领域的三种AI应用模式最后专门从开头的德勤咨询公司的调研结果中，提取了财务领域AI应用模式。根据实战分析，如果在这些领域持续落地AI应用，可以 • 降低50%～80%的重复工作， • 同时更可以将财务审核周期降低50%以上。翻译内容： “德勤咨询公司负责人詹姆斯·格洛弗（James Glover）指出了AI在财务职能中表现出最多认同感的三种使用方式：搜索、总结和提取 AI系统汇集了大量非结构化数据，例如与投资者关系相关的文档和电话。员工可以使用企业生成式AI工具分析收益报告、分析师报告、合同或会计和税务政策。他们可以收集数据库中的所有文档和文件，员工可以通过提问查询数据并创建自定义分析，而无需耗时地阅读和分析所有这些材料。需要解决的挑战包括保护敏感的专有数据。与数据对话金融机构通常使用基于大型语言模型（LLM）的AI聊天机器人来询问结构化数据的问题，例如“与2023年2月相比，2024年2月我的业务部门的销售额是多少？”一家全球技术服务公司在部署类似解决方案时，消除了员工在搜索多个系统和报告时遇到的摩擦。挑战包括赢得对答案准确性的信任，特别是涉及计算和数学的答案。发现数据问题并做出预测传统的机器学习模型在生成式AI加速预测和预报之前就已经存在了很长时间。一些公司使用AI来发现数据中的异常并预测如何削减成本或纠正错误。另一种方法涉及预测未来的需求、收入、销售和其他价值来源。挑战包括推理和数据来源的可解释性和透明度。下一个阶段可能涉及将这些用例模式与代理AI结合起来，以解决跨流程、职能和工作流的能力问题。” 关注WaytoAGI agent探索公众号，一起学习和探索更多行业落地案例。提取后的效果：同样的，也可以用上面提取票面信息的方式，将内容提取用程序做自动化核对，或者存入表格和数据库。最重要的是，这个模型是开源的可以做本地部署，完全可以满足企业生产场景使用。同时，千帆全面开源了不同尺寸的VL模型（VL 3B、VL 8B、VL 70B），专门面向企业级多模态应用场景，进行了深度优化，尤其是OCR和教育垂直场景。除了前面提到的70B之外，还有两款更小尺寸的模型，适合在单张显卡的主机上本地化部署，方便在不同场景下的使用。效果略差于70B，但是在很多场景下也足够使用。点击文末“阅读原文”直接跳转，可以直接登陆，在线体验Qianfan VL 8B和Qianfan VL 70B模型。模型介绍这里详细介绍下这一系列模型：千帆VL系列模型是百度发布的多模态视觉理解模型。它基于国产自研的昆仑芯P800芯片完成全流程计算任务，正好满足国产信创要求。它专门做了针对性训练，特别在智能办公（OCR）、教育场景（拍照解题）和其他企业⽣产⼒任务中表现优异。财务领域的三种AI应用模式最后专门从开头的德勤咨询公司的调研结果中，提取了财务领域AI应用模式。根据实战分析，如果在这些领域持续落地AI应用，可以 • 降低50%～80%的重复工作， • 同时更可以将财务审核周期降低50%以上。翻译内容： “德勤咨询公司负责人詹姆斯·格洛弗（James Glover）指出了AI在财务职能中表现出最多认同感的三种使用方式：搜索、总结和提取 AI系统汇集了大量非结构化数据，例如与投资者关系相关的文档和电话。员工可以使用企业生成式AI工具分析收益报告、分析师报告、合同或会计和税务政策。他们可以收集数据库中的所有文档和文件，员工可以通过提问查询数据并创建自定义分析，而无需耗时地阅读和分析所有这些材料。需要解决的挑战包括保护敏感的专有数据。与数据对话金融机构通常使用基于大型语言模型（LLM）的AI聊天机器人来询问结构化数据的问题，例如“与2023年2月相比，2024年2月我的业务部门的销售额是多少？”一家全球技术服务公司在部署类似解决方案时，消除了员工在搜索多个系统和报告时遇到的摩擦。挑战包括赢得对答案准确性的信任，特别是涉及计算和数学的答案。发现数据问题并做出预测传统的机器学习模型在生成式AI加速预测和预报之前就已经存在了很长时间。一些公司使用AI来发现数据中的异常并预测如何削减成本或纠正错误。另一种方法涉及预测未来的需求、收入、销售和其他价值来源。挑战包括推理和数据来源的可解释性和透明度。下一个阶段可能涉及将这些用例模式与代理AI结合起来，以解决跨流程、职能和工作流的能力问题。” 关注WaytoAGI agent探索公众号，一起学习和探索更多行业落地案例。 Hi，大家好我是许键，WayToAGI的Agent版主，与你一同探寻每一个“好玩的、好用的”智能体。最近在和各行业共同结合行业know how，思考如何在实践中落地AI智能体。其中有一个案例是和财务咨询公司在财务AI落地实践上的一些尝试： 🎨 财务人员每天面对成百上千张票据，手工录入数据到深夜；月底对账时发现数字对不上，又要从头查起...这是否就是您的财务部门的日常？财务人员每天面对成百上千张票据，手工录入数据到深夜；月底对账时发现数字对不上，又要从头查起...这是否就是您的财务部门的日常？据德勤（Deloitte）和MIT的联合科技评论洞察《在财务职能中与生成式AI合作》中就提到：财务人员平均60%的时间花在重复性数据处理上。而这些重复性工作，恰恰是AI最擅长解决的。在多次实践中，我们发现企业在财务AI落地时面临三大核心挑战： 1. 财务部门不懂AI应用：错误的使用方法让计算准确率雪上加霜 2. 数据安全顾虑：财务数据涉及商业机密，不敢使用闭源的AI模型服务 3. 表格提取不精确：表格提取的“错位”，是导致大模型很难被应用的核心原因最近百度千帆开源了几款VL（视觉识别）模型，我做了些测试，发现正好能解决这些问题：数据不出门：模型可以本地化部署，所有处理都在企业内部完成，确保数据安全精准的数据表格提取：表格能被精确还原，不再出现错位在正式探讨财务领域的应用场景前，让我们快速了解基于千帆VL 70B模型的更多领域的尝试，让大家实际感受模型能力。期望除了本文分享的几个场景外，让你联想到更多实用场景。常规场景评测电商场景：对商品尺寸的判断这是一个很重要的细节，比如下图中的耳机盒是否能轻易放入裤兜随身携带，决定了很多人是否有购买它的意愿。而模型是否能准确理解这个尺寸，决定了大模型是否能精准的抓住这个“核心卖点”。在仅给它一张图的情况下，除了长宽高的定义不同，它基本准确判断了这个耳机盒的尺寸。教育场景：作文批改事实上这个场景对财务场景也非常有用。在财务场景下也有非常多的手写稿，同时保存一份可以被电脑读取的数据和一份手写原稿，用于后续追溯查询非常有用。（左边原稿，右边模型生成效果）提示词：请用HTML完整还原这篇文章的表格，包括每一行的字的内容。不要打印成代码段，直接HTML渲染给我。提示词：请用HTML完整还原这篇文章的表格，包括每一行的字的内容。不要打印成代码段，直接HTML渲染给我。提示词：请用HTML完整还原这篇文章的表格，包括每一行的字的内容。不要打印成代码段，直接HTML渲染给我。物业场景：电瓶车入电梯检测这个场景对财务场景的作用是一些固定资产的收录，也可以将照片用于追溯收录。而且通常现在电梯里真实检测电瓶车会把自行车当作电瓶车，而这个模型显然能更准确的识别出这是一辆自行车。超市场景：标签信息核对这个场景在财务上做一些固定资产标签盘点正确性非常实用。除此之外，从github官方开源的文档上看，模型在数学计算上也做了强化，提升了数学计算和解题的能力。不过最惊才绝艳的是这个模型对表格的还原能力，这个对财务AI落地就非常重要了。表格对财务AI落地的重要性财务通常都非常熟悉excel表格，一定知道“合并单元格”这个功能，这个功能过往的模型识别中错误率非常的高这也就是所谓的“表格提取”。这是个非常严重问题，来个表格截图大家感受下：这个表格，是一份年报草稿，注意看，“小计”这一项，需要统计哪些内容，是表头上那个被合并的单元格“本次变动增减”那一项对应哪些列决定的。而这张表格的核对，就是财务审计中非常重要的场景。财务场景效果财务审计：钩稽关系核账，一直是财务非常重要，非常细致的工作。工作量之大，重复度之高，令人发指。小插曲：常规错误用法相信肯定有财务同学尝试过把上面这张股本表格直接扔给大模型，让大模型帮忙核对。我们来尝试下。千万别小看这个表格！它看起来很简单，但是就是因为多了这一行“本次变动增减”，几乎所有模型大概率检查不出这个虽然我们一眼就能看出来的“小计”错误。正确用法正确的用法有好多种，先来一种：可以看到，千帆VL 70B非常精确的把“本次变动增减”把它的下属项目包含在其内。这说明模型对表格理解非常精准。基于这份提取的计算机可以理解的数据，就可以快速让大模型或者程序来做数据核对了。再就是第二个用法，而这个做法就是本次开源的千帆VL 70B最让我眼前一亮的用法：表格精准还原看下使用效果：它不仅准确提取了所有数值，还精确还原了表头的“合并单元格”效果。是不是非常的“惊艳”？同时这种做法不仅可以用于钩稽关系的计算，还可以用于很多表格类单据的精准数字化！发票报账发票做账是一件非常高频的操作，而且它不仅仅是简单的记账工作，还得做大量票面信息复核，最终计入财务帐单，比如： 1、票面上您公司的单位全称是否正确； 2、票面上您公司的纳税识别号是否正确； 3、票面上您公司的银行开户银行及账号是否正确； 4、票面开具的内容和金额是否正确； 5、增票下方是否有开票人、复核人、收款人； 6、票面的开具时间最迟需为记账当年； 7、票面需加盖开具单位的发票专用章； 1、票面上您公司的单位全称是否正确； 2、票面上您公司的纳税识别号是否正确； 3、票面上您公司的银行开户银行及账号是否正确； 4、票面开具的内容和金额是否正确； 5、增票下方是否有开票人、复核人、收款人； 6、票面的开具时间最迟需为记账当年； 7、票面需加盖开具单位的发票专用章；因此，精准提取信息就格外重要。我们用一张网上搜到的过期票据来做个尝试。