
1. 什么是Interfaze?
Interfaze是一种新型模型架构,在OCR、视觉、语音转文本(STT)和结构化输出这9项直接对比的基准测试中,其性能优于Gemini - 3 - Flash、Claude - Sonnet - 4.6、GPT - 5.4 - Mini和Grok - 4.3等模型。
2. 人类与模型在任务处理上的表现如何?
人类在计算机级别的任务上效率不高,会犯错,但在决策和理解细微差别方面表现出色。以阅读50页PDF并完成映射、标注和翻译任务为例,人类会产生大量错误,需支付高额人工费用,且等待结果时间长。Transformer模型类似人类,在处理细微差别和人类级别的任务方面表现出色,但也会犯错,而这正是其具有创造性的原因。我们一直在为错误的任务使用错误的模型。
3. 卷积神经网络(CNNs)/深度神经网络(DNNs)有何特点?
卷积神经网络(CNNs)/深度神经网络(DNNs)自20世纪90年代初就已出现,从LeNet - 5到ResNet,最近还有CRNN - CTC。这些是深度神经网络架构,专门用于OCR、翻译或图形用户界面(GUI)检测等特定任务。它们处理和理解数据的方式是针对特定任务进行训练的,在特定任务上的准确率比其他模型高出多达100倍,还能生成有用的元数据,如边界框和置信度分数,让开发者能够构建可靠的可预测工作流程。然而,DNNs不够灵活,其性能取决于训练数据,在处理人类级别的细微差别方面表现不佳,服务成本可能较低,但维护和为新任务重新训练的成本较高。例如,CNN可以提取护照上的出生日期并给出边界框和置信度分数,但无法计算人的年龄。
4. 为什么很多人仍选择使用Transformer/大语言模型(LLMs)处理确定性任务?
既然DNNs有其优势,那为什么很多人仍然选择使用Transformer/大语言模型(LLMs)来处理确定性任务呢?这是因为DNNs存在不够灵活等缺点。
5. Interfaze有什么独特之处?
Interfaze是一种新型模型架构,它将DNN/CNN模型的专业性与全功能Transformer相结合,让用户兼得二者之长。这意味着在确定性任务上具有高精度和低成本,涵盖视觉(图像和文档、物体和GUI检测)、网页提取和搜索、音频(语音转文本和说话人分离)、翻译、视频(即将推出)等领域。
6. Interfaze的模型规格是怎样的?
Interfaze的模型规格如下:上下文窗口为100万个token;最大输出token数为3.2万个token;输入模态包括文本、图像、音频、文件;推理功能可用(默认:禁用)。
7. Interfaze的基准测试情况如何?
虽然像Claude Opus 4.7和GPT 5.5这样的专业版模型是目前市场上在编码和复杂推理任务方面最优秀的通用模型,但由于成本高和响应时间慢,它们通常不用于OCR或翻译等大量处理任务。Interfaze与价格相近、功能集相似的模型进行了基准测试,这些模型经过优化,以最快的速度发挥出最大性能,同时在大规模应用时保持低成本。目前,大多数人在处理确定性开发任务时会选择快速/迷你模型,如Gemini - 3 - Flash、GPT - 5.4 - Mini和Claude Sonnet 4.6,它们在性能和大规模应用的成本之间取得了最佳平衡;以及专业提供商,如Reducto、Mistral OCR或Whisper。详细对比显示,Interfaze在几乎所有基准测试中都领先,无论是与每个类别中的专业模型相比,还是与通用的快速/迷你模型相比。Interfaze的定价与Gemini - 3 - Flash相近,为每百万输入token 1.50美元,每百万输出token 3.50美元。
8. Interfaze在OCR场景中的表现怎样?
用户的首要应用场景是对图像和复杂的长PDF进行OCR。Interfaze的性能优于Chandra OCR和Reducto等OCR提供商,以及Gemini - 3 - Flash和GPT - 5.4 - Mini等通用模型。这不仅得益于特定任务的CNN编码器,还在于它能够在共享向量空间中借助物体检测处理图形和图像,或利用Transformer的翻译层。
9. 结构化输出方面,Interfaze有何表现?
如今,大多数LLMs擅长遵循JSON模式,但在填充准确值方面表现不佳。目前没有公开的基准测试来衡量这些值的准确性,因此上周发布了SOB(结构化输出基准测试)。SOB会在模型的上下文中提供正确答案,然后要求它生成包含已有数据的JSON输出,衡量哪个模型在文本、图像和音频模态(均转换为文本)方面最准确,错误和幻觉最少。Interfaze在结构化输出方面与相同快速/迷你模型集进行了比较,在不增加成本或计算资源的情况下,结构化输出仍有很大的改进空间。
10. Interfaze在多语言性能上如何?
Interfaze在多种语言上都有出色的多语言性能。
11. Interfaze的语音转文本性能如何?
在VoxPopuli - Cleaned - AA测试中,Interfaze的字错误率排名第二。其语音转文本推理速度快,每秒可转录209秒的音频,比Deepgram Nova - 3快约1.5倍,比Scribe v2快约8倍,比Gemini - 3 - Flash快超过11倍。
12. 如何开始使用Interfaze?
设置SDK:Interfaze遵循聊天完成API标准,任何支持OpenAI的AI SDK都可以直接使用,只需将其指向 `https://api.interfaze.ai/v1`,从Interfaze仪表盘获取API密钥并填入即可。示例代码展示了使用OpenAI SDK的方法。
复杂OCR + 物体检测:以一本杂志页面为例,Interfaze可以在一次请求中对同一图像进行OCR和物体检测,返回完整文本以及每个图形的像素坐标,且都符合模式要求。示例代码展示了使用OpenAI SDK的操作过程及JSON输出。
部分模型激活的OCR:借助混合架构,可以激活模型的部分组件来执行特定任务,无需使用完整的权重,速度更快、成本更低,但有一些权衡。通过在系统提示中使用 `` 标签,可以控制模型的哪个部分被激活,示例代码展示了对一首手写诗歌进行纯OCR的操作及JSON输出。
访问互联网:Interfaze内置了自己的网页索引,它通过抓取多个搜索引擎结果页面(SERP)索引和自己的爬虫构建而成。示例代码展示了使用OpenAI SDK获取Garry Tan相关信息的操作及JSON输出。
长音频转录:Interfaze可以在大约50秒内完成时长为1小时35分钟的播客节目转录,并提供每个片段的时间戳。示例代码展示了使用OpenAI SDK的操作及JSON输出。
13. 总结与使用指引
开发者很高兴能继续进行实验、发展,并探索新的研究,让确定性AI对所有开发者来说更加高效和易用。用户可以免费开始使用,在自己的文档、图像和提示上进行尝试。开始使用的指引包括获取API密钥、阅读文档、查看定价;深入了解的途径有查看完整排行榜、基准测试代码、结构化输出基准测试;保持联系的方式有在X和LinkedIn上关注获取研究更新、在Discord上参与讨论、发送邮件反馈问题等。



被折叠的 条评论
为什么被折叠?



