大语言模型相当于人的大脑，可以辅助人的思考、分析活动。
而视觉模型就相当于人的眼睛，可以辅助人去“看”、“检查”、“观察”。
如果再加上 agent 或者说一些自动化的程序来辅助人的手来输出，
那么基本上就可以完整的代替基础的审计民工了。
之前介绍过 Internvl 开源的视觉模型，当时由于它不能跑在我的 mac 电脑上，所以只是用的官方 demo 来进行的测试。
而今天，我想给大家介绍阿里出的 qwen2-vl 开源视觉模型，在自己本地的 mac 电脑上跑起来了，效果很好。
我还是以之前列举过的几个场景来体验下它的能力：
合同识别
例如，这里有一份合同信息。对于审计来说，我们可能会让实习生去整理这些合同的信息录入到表格中，或者与公司凭证、台账进行检查。
而用这个模型，我们只需要动动嘴皮子就能轻松完成。
我告诉它“帮我提取出合同中甲方、乙方、日期、合同金额”
甚至，你可以直接让其以 json 格式输出给你：
这不就是那些商用接口提供的样式吗？
有这个能力，完全可以批量识别合同，将关键信息提取出来，输出成表格。
回函信息检查
我们再以询证函回函检查为例，统计回函信息，很多时候也是实习生一个一个录的。
我直接提问：“请帮我提取出回函结论中，“信息不符，请列明不符项目及具体内容”单元格内的手写的文字信息。”
文字是全对的，数字金额有点不太对。毕竟是手写的，识别成这样其实不错了。
这有什么用呢？
目前各个所都建了函证中心，都有函证系统，那么完全可以调用这个模型的能力，
将回函信息提取出来，待审计人员审核检查并修订。
这对于集团性大所来说，实际上很有意义，能节省大量人工。
发票识别
对于这样一张发票，我们让它“以json格式提取发票信息”
可以得到：
效果还是比较好的。其实应该还可以在提示词中添加一些基本的检验，比如税额+ 金额 = 价税合计。
这样容易看出识别错误的地方。
识别会计凭证
对于一张会计凭证，我们让它提取出会计分录：
可以看到这个单位其实应该是分，而不是元，没分析对。
另外我们可以让它检查审核人和制单人是否一致：
结语
以上测试我是使用的 qwen2-vl-7B 比较小的模型，它还有大10 倍的 qwen2-vl-72B 的开源模型。
就算是小的 7B 模型也可以看出效果是非常好的。
结合它的能力，我们可以梳理类似需要大量人工录入的工作，将这些场景自动化，减轻初级审计人员的工作。
不同的 AI 模型可以作为我们的大脑、眼睛、手，将这些功能结合在一起，就可以替代人的基础工作。
而且离我们并不遥远，甚至现在已经可以实现。
Qwen2-vl 开源网址：https://github.com/QwenLM/Qwen2-VL
