近期一位开发者在社区分享了其利用 AI 辅助编程工具 Codex 进行麻将牌图片识别项目的经验。该项目要求模型不仅要识别牌面，还需输出每张牌的边界框和牌型，即包含目标检测与 OCR 识别任务。在开发初期，Codex 尝试使用 Tesseract 引擎但效果不佳，随后 AI 自动生成代码并训练了一个 CNN 卷积神经网络，完成了从环境搭建到实验的全流程。
为了验证通用云端大模型在此类任务上的表现，开发者进一步调研了多模态 API 的能力。测试结果显示，Google Gemini 系列模型在图片理解和 OCR 任务上表现出惊人的细节捕捉能力，即便是轻量级的 Flash-Lite 版本，其在该特定场景下的表现也优于其他主流竞品。虽然目前业界主流优化方向集中在 AI 编码与推理能力，但此次测试结合 Roboflow 等第三方的评测数据表明，Google 在视觉感知领域的深厚积淀使其模型在处理图像识别等“偏门”但实用的任务时，依然具备极强的竞争力。
事件分析
从技术角度看，此次实测反映了多模态大模型正在快速压缩传统计算机视觉（CV）技术栈的生存空间。过去需要专门训练 CNN 或依赖专用 OCR 引擎的任务，现在通过直接调用多模态大模型 API 即可获得更优的效果。这种“零样本”或“少样本”的视觉能力，极大地降低了图像类应用的开发门槛。
从产业格局来看，虽然 OpenAI 凭借 GPT-4o 等模型在逻辑推理和代码生成上占据先机，但 Google 依托其搜索引擎和图像识别技术的积累，在 Gemini 模型中填满了视觉感知能力。这说明未来的模型竞争将不再是单一的文本生成比拼，而是转向“全模态”的综合效能竞争。在 AI 编程工具日益普及的今天，开发者能够更便捷地验证这些模型的实际工程价值，推动了多模态技术在垂直场景的落地。
💡 核心观点：通用大模型对传统视觉任务的降维打击已成定局，视觉感知能力的强弱将成为下一代模型竞争的关键分水岭。
原文链接：Linux.do
Codex CLI 深度
AI 模型横评
AI Agent 框架
Claude Code 订阅生存指南