深求·墨鉴应用案例学术论文图表公式一键提取告别手动录入1. 引言学术研究者的痛点与曙光如果你是一名研究生、科研人员或者学术编辑下面这个场景你一定不陌生深夜的实验室或书房里你正为撰写论文或整理文献综述而焦头烂额。面前是一篇重要的参考文献里面有张关键的图表数据还有几个复杂的数学公式。你只能一个字一个字地敲一个符号一个符号地找生怕抄错一个下标或者漏掉一个系数。更让人崩溃的是有时候图表里的数据密密麻麻手动录入不仅耗时还容易出错。这种重复、机械、易错的工作占据了大量本该用于思考和创新研究的时间。传统的OCR工具在面对这种场景时往往显得力不从心。它们可能把表格识别成混乱的段落把公式里的希腊字母“α”认成英文字母“a”把上下标格式完全打乱。你花在后期校对和修正上的时间可能比手动录入还要多。“深求·墨鉴”的出现为这个问题带来了全新的解决方案。这不是一个简单的文字识别工具而是一个真正理解学术文档结构的智能助手。它基于DeepSeek-OCR-2深度学习引擎能够像人类研究者一样“阅读”论文——识别标题层级、提取表格数据、解析数学公式并直接输出结构清晰的Markdown格式。更重要的是它通过CSDN星图镜像广场提供了一键部署的便捷方式让你在几分钟内就能拥有这个强大的学术助手。本文将带你深入了解如何利用“深求·墨鉴”彻底改变学术文档处理的工作流。从快速部署到实际应用从基础功能到高级技巧我会分享一套经过验证的完整方案让你真正告别手动录入的繁琐时代。2. 为什么“深求·墨鉴”是学术文档处理的理想选择2.1 传统OCR工具的局限性在深入介绍“深求·墨鉴”之前我们先看看为什么传统OCR工具在学术场景下表现不佳。我测试过市面上主流的几款OCR工具发现了几个共性问题表格识别灾难这是最头疼的问题。一个三线表被识别后表头和数据完全错位你需要手动调整每一行的对齐。如果是合并单元格的复杂表格传统OCR基本无法正确处理行列关系。公式解析混乱数学公式中的分式、积分符号、上下标等特殊格式传统OCR要么识别为乱码要么丢失结构信息。你得到的可能是一串毫无意义的字符而不是可编辑的LaTeX代码。结构信息丢失学术论文有严格的层级结构——章节标题、子标题、图表编号、参考文献格式。传统OCR把这些都当作普通文本处理识别完成后你需要重新梳理整个文档结构。多语言混排问题很多论文是中英文混合的传统OCR在处理这种场景时经常出现编码错误或语言切换混乱。2.2 “深求·墨鉴”的核心优势“深求·墨鉴”基于DeepSeek-OCR-2引擎在设计之初就考虑了学术文档的特殊需求。它的优势不是简单的“识别更准”而是“理解更深”。真正的结构感知这不是一个从左到右、从上到下的扫描工具。它会先分析文档的整体布局识别哪些是标题、哪些是正文、哪些是图表、哪些是公式。这种“先理解后识别”的方式确保了输出结果保持了原文的逻辑结构。智能的公式处理对于数学公式“深求·墨鉴”不是简单地识别字符而是理解公式的语法结构。它会将公式转换为标准的LaTeX格式保留所有数学符号、上下标、分式结构。这意味着你识别出的公式可以直接粘贴到LaTeX编辑器或Markdown文档中无需二次修改。表格的语义重建表格识别是“深求·墨鉴”的强项。它不仅能识别单元格内容还能理解表格的逻辑结构——哪些是表头、哪些是数据、哪些单元格是合并的。输出结果是标准的Markdown表格格式可以直接用于各种文档。优雅的中文支持得益于DeepSeek在中文处理上的深厚积累“深求·墨鉴”对中文文档的识别准确率极高特别是对学术论文中常用的宋体、楷体等字体有很好的适应性。2.3 与CSDN星图镜像的完美结合“深求·墨鉴”通过CSDN星图镜像广场提供了一键部署的解决方案这大大降低了使用门槛。你不需要配置复杂的Python环境处理CUDA版本兼容性问题下载巨大的模型文件镜像已经预置编写API封装代码只需要在星图镜像广场找到“深求·墨鉴”镜像点击部署几分钟后就能获得一个完整的、可用的OCR服务。这种“开箱即用”的体验让研究者可以专注于学术工作本身而不是技术部署的细节。3. 快速部署十分钟搭建你的学术文档处理平台3.1 通过CSDN星图镜像一键部署让我们从最简单的开始。如果你想要快速体验“深求·墨鉴”的能力CSDN星图镜像广场提供了最便捷的途径。第一步访问镜像广场打开浏览器访问CSDN星图镜像广场。在搜索框中输入“深求·墨鉴”或“DeepSeek-OCR-2”找到对应的镜像。第二步选择部署配置点击部署按钮后系统会让你选择资源配置。对于学术文档处理我建议选择以下配置CPU4核以上处理复杂文档时CPU也会参与计算内存8GB以上确保多页面文档的流畅处理存储20GB镜像本身约5GB留出空间存放处理中的文档第三步等待部署完成点击确认后系统会自动完成所有部署工作。这个过程通常需要3-5分钟期间你可以准备一些测试文档。第四步访问Web界面部署完成后你会获得一个访问地址。在浏览器中打开这个地址就能看到“深求·墨鉴”的Web界面。界面设计采用了中国传统的水墨风格简洁而优雅左侧是文档上传区右侧是识别结果展示区。3.2 本地化部署方案适合有定制需求的研究团队如果你的研究团队有特殊需求或者需要处理大量敏感文档可以考虑本地化部署。虽然步骤稍多但能获得完全的控制权。环境准备# 1. 确保系统有Docker和Docker Compose docker --version docker-compose --version # 2. 创建项目目录 mkdir deepseek-ocr2 cd deepseek-ocr2 # 3. 下载部署配置文件 wget https://raw.githubusercontent.com/deepseek-ai/DeepSeek-OCR-2/main/docker-compose.yml配置文件调整 编辑docker-compose.yml文件根据你的硬件配置调整参数version: 3.8 services: deepseek-ocr: image: registry.cn-hangzhou.aliyuncs.com/csdn-mirror/deepseek-ocr2:latest container_name: deepseek-ocr-service ports: - 7860:7860 # Web界面端口 - 8000:8000 # API服务端口 environment: - MODEL_PATH/app/models/deepseek-ocr2 - MAX_WORKERS2 # 根据GPU数量调整 - DEVICEcuda # 使用GPU加速 volumes: - ./models:/app/models # 模型文件目录 - ./uploads:/app/uploads # 上传文件目录 - ./outputs:/app/outputs # 输出文件目录 deploy: resources: reservations: devices: - driver: nvidia count: 1 capabilities: [gpu]启动服务# 启动服务 docker-compose up -d # 查看日志确认服务正常启动 docker-compose logs -f deepseek-ocr验证部署 服务启动后访问http://你的服务器IP:7860应该能看到Web界面。为了测试API服务是否正常可以运行一个简单的测试import requests import json # 测试API端点 response requests.get(http://localhost:8000/health) print(f服务状态: {response.json()})3.3 学术场景的优化配置学术文档处理有一些特殊需求我建议在部署完成后进行以下优化配置提高并发处理能力 学术研究经常需要批量处理文献可以调整工作线程数# 在docker-compose.yml中增加 environment: - MAX_WORKERS4 - MAX_BATCH_SIZE8 # 批量处理时一次最多处理8个文档设置学术专用缓存 学术文档中的公式、图表有很高的重复性启用缓存可以显著提升处理速度environment: - ENABLE_CACHEtrue - CACHE_DIR/app/cache - CACHE_TTL86400 # 缓存保留24小时配置学术字体库 为了更好识别数学符号和特殊字符可以挂载额外的字体文件volumes: - ./fonts:/usr/share/fonts/custom # 放入Times New Roman、Cambria Math等学术常用字体4. 实战应用学术论文处理全流程4.1 单篇论文的智能解析让我们从一个具体的例子开始。假设你有一篇PDF格式的学术论文需要提取其中的关键信息。传统的做法是打开PDF→截图→用OCR识别→手动整理格式。而使用“深求·墨鉴”整个过程变得异常简单。第一步文档准备将PDF论文转换为图片格式。虽然“深求·墨鉴”支持PDF直接上传但我建议先转换为高清图片这样可以获得更好的识别效果。推荐使用以下命令# 使用pdf2image库转换保持300dpi的高分辨率 pdf2image --format png --dpi 300 --output-dir ./images paper.pdf第二步上传与识别打开“深求·墨鉴”的Web界面将转换好的图片拖入上传区域。点击“研墨启笔”按钮系统开始解析。这里有个小技巧如果论文页数较多可以一次性上传所有页面图片。“深求·墨鉴”会按文件名顺序自动处理并保持页面顺序。第三步结果查看与导出处理完成后你会在右侧看到三个标签页墨影初现这里以美观的格式展示识别结果包括标题层级、表格、公式等都已正确渲染。经纬原典这里是原始的Markdown源码你可以直接复制使用。笔触留痕这里展示了AI识别时的视觉焦点帮助你了解哪些区域被重点处理。点击“下载Markdown”按钮即可获得完整的结构化文档。第四步结果验证与微调对于学术文档我建议重点检查以下几个部分公式准确性检查LaTeX公式是否正确特别是上下标、分式、积分符号等。表格完整性确认表格的行列关系是否保持合并单元格是否正确处理。参考文献格式检查参考文献编号和引用是否一致。如果发现个别识别错误可以在“经纬原典”标签页中直接修改Markdown源码然后重新导出。4.2 批量文献处理工作流在学术研究中我们经常需要处理多篇文献比如整理某个领域的文献综述或者构建研究数据集。手动处理每篇文献效率太低“深求·墨鉴”支持批量处理可以大幅提升效率。创建批量处理脚本import os import requests from pathlib import Path class BatchPaperProcessor: def __init__(self, api_urlhttp://localhost:8000/api/ocr): self.api_url api_url self.output_dir Path(./processed_papers) self.output_dir.mkdir(exist_okTrue) def process_paper(self, pdf_path, paper_id): 处理单篇论文 # 1. PDF转图片 images self.pdf_to_images(pdf_path) results [] for page_num, image_path in enumerate(images, 1): # 2. 调用OCR API ocr_result self.call_ocr_api(image_path, page_num) results.append(ocr_result) # 3. 进度显示 print(f论文 {paper_id}: 第 {page_num} 页处理完成) # 4. 合并结果并保存 self.save_results(paper_id, results) return results def call_ocr_api(self, image_path, page_num): 调用深求·墨鉴API with open(image_path, rb) as f: files {file: f} data { prompt: image\n|grounding|Convert this academic paper page to structured markdown. Preserve all equations in LaTeX and tables in markdown format., page_num: page_num } response requests.post(self.api_url, filesfiles, datadata) return response.json() def save_results(self, paper_id, results): 保存处理结果 output_file self.output_dir / f{paper_id}.md with open(output_file, w, encodingutf-8) as f: f.write(f# 论文ID: {paper_id}\n\n) for page in results: f.write(f## 第 {page[page_num]} 页\n\n) f.write(page[content]) f.write(\n\n---\n\n) print(f论文 {paper_id} 处理完成保存至 {output_file}) # 使用示例 processor BatchPaperProcessor() papers_dir Path(./papers) for pdf_file in papers_dir.glob(*.pdf): paper_id pdf_file.stem print(f开始处理论文: {paper_id}) processor.process_paper(pdf_file, paper_id)批量处理的最佳实践预处理分类将论文按类型分类会议论文、期刊文章、技术报告等不同类型的论文可以使用不同的提示词模板。质量检查点在批量处理过程中设置检查点每处理10篇论文后随机抽样检查确保识别质量稳定。错误重试机制对于识别失败的页面自动重试2-3次如果仍然失败则记录日志后续人工处理。结果后处理批量处理完成后运行一个后处理脚本统一格式标准化标题层级一级标题用#二级用##等统一参考文献格式如将[1]改为[^1]提取并生成论文元数据标题、作者、摘要等4.3 学术图表与公式的专项处理学术论文中的图表和公式是最难处理的部分也是“深求·墨鉴”的强项。下面分享一些专项处理的技巧。复杂表格的处理技巧 对于跨页表格或合并单元格的复杂表格可以使用专门的提示词# 专门针对表格的提示词 table_prompt image |grounding| Extract the table from this academic paper page. Requirements: 1. Identify table caption if present 2. Preserve all row and column headers 3. Maintain merged cell structure 4. Output in markdown table format 5. Include table number if available 6. Convert all numbers to consistent format 数学公式的精准提取 数学公式需要特别注意符号和格式的准确性# 数学公式专用提示词 math_prompt image |grounding| Extract all mathematical expressions from this page. Requirements: 1. Each equation must be in LaTeX format enclosed in $$ 2. Preserve all Greek letters, subscripts, superscripts 3. Keep equation numbering if present 4. For inline formulas, use $...$ format 5. For display formulas, use $$...$$ format 6. Include equation labels like (1), (2) etc. 图注和引用的关联提取 学术论文中的图表通常有编号和引用需要保持关联# 提取图表及其引用的提示词 figure_prompt image |grounding| Extract all figures and their captions from this page. For each figure: 1. Extract figure number (e.g., Figure 1, Fig. 2) 2. Extract the complete caption text 3. Note any in-text references to this figure 4. Output in the format: **Figure X**: [caption text] **References**: [list of reference locations] 4.4 文献综述的自动化构建文献综述是学术研究中的重要环节但整理多篇文献的观点、方法和结论非常耗时。利用“深求·墨鉴”可以自动化这个过程。构建文献知识库import json from typing import Dict, List class LiteratureReviewBuilder: def __init__(self): self.knowledge_base { papers: [], concepts: {}, methods: {}, findings: [] } def extract_key_sections(self, paper_content: str) - Dict: 从论文中提取关键部分 sections { title: , authors: [], abstract: , keywords: [], introduction: , methodology: , results: , conclusion: , references: [] } # 使用深求·墨鉴提取的结构化信息 # 这里假设paper_content已经是结构化的Markdown lines paper_content.split(\n) current_section None for line in lines: if line.startswith(# ): sections[title] line[2:].strip() elif line.startswith(## Abstract): current_section abstract elif line.startswith(## Introduction): current_section introduction # ... 其他部分类似处理 return sections def build_concept_map(self, papers: List[Dict]): 构建概念关系图 concept_map {} for paper in papers: for concept in paper.get(keywords, []): if concept not in concept_map: concept_map[concept] { papers: [], related_concepts: set(), methods: set() } concept_map[concept][papers].append(paper[id]) return concept_map def generate_review_outline(self, concept_map: Dict) - str: 生成文献综述大纲 outline # Literature Review Outline\n\n # 按概念重要性排序 sorted_concepts sorted(concept_map.items(), keylambda x: len(x[1][papers]), reverseTrue) for concept, data in sorted_concepts[:10]: # 取前10个重要概念 outline f## {concept}\n\n outline f**Related Papers**: {len(data[papers])}\n\n # 添加相关论文引用 for paper_id in data[papers][:3]: # 每个概念引用3篇关键论文 outline f- Paper {paper_id}: [brief summary]\n outline \n return outline # 使用示例 builder LiteratureReviewBuilder() # 处理多篇论文 papers_dir Path(./processed_papers) for md_file in papers_dir.glob(*.md): with open(md_file, r, encodingutf-8) as f: content f.read() sections builder.extract_key_sections(content) builder.knowledge_base[papers].append({ id: md_file.stem, **sections }) # 生成概念图和大纲 concept_map builder.build_concept_map(builder.knowledge_base[papers]) review_outline builder.generate_review_outline(concept_map) # 保存结果 with open(literature_review.md, w, encodingutf-8) as f: f.write(review_outline)这个自动化流程可以从多篇论文中提取关键信息构建概念之间的关系网络自动生成文献综述的结构框架识别研究趋势和知识缺口5. 高级技巧提升学术文档处理效率5.1 自定义提示词模板“深求·墨鉴”支持自定义提示词这让你可以根据不同的学术场景优化识别效果。以下是我在实践中总结的几个高效模板会议论文模板image |grounding| Extract content from this conference paper with the following structure: 1. Paper title (as H1 heading) 2. Authors and affiliations (as bullet list) 3. Abstract (clearly marked) 4. Keywords (comma-separated) 5. Section headings (as H2 headings) 6. All equations in LaTeX format with equation numbers 7. Tables in markdown format with captions 8. Figures with captions 9. References in numbered list format Preserve all mathematical notation and special symbols.实验报告模板image |grounding| Convert this lab report to structured markdown: - **Experiment Title**: Extract as H1 - **Objective**: First paragraph after title - **Materials Methods**: As H2, include equipment list and procedure steps - **Results**: As H2, include all data tables and graphs with captions - **Calculations**: Extract all mathematical working with LaTeX - **Discussion**: As H2, preserve analysis and conclusions - **References**: Numbered list at end Convert all measurements to consistent units.数学教材模板image |grounding| Process this mathematics textbook page: 1. Extract theorem statements with numbers (e.g., Theorem 1.2.3) 2. Extract proofs with proper indentation 3. Convert all equations to LaTeX with equation numbers 4. Extract examples with Example labels 5. Extract exercises with Exercise labels 6. Preserve all mathematical symbols: ∀, ∃, ∈, ⊂, →, etc. 7. Maintain definition boxes if present Use $$ for display equations and $ for inline equations.5.2 质量控制与校验机制学术文档对准确性要求极高建立质量控制流程至关重要自动校验规则class AcademicQualityChecker: def __init__(self): self.rules { equation_check: self.check_equations, table_check: self.check_tables, reference_check: self.check_references, format_check: self.check_formatting } def check_equations(self, content: str) - List[str]: 检查公式完整性 issues [] # 检查LaTeX语法 import re equations re.findall(r\$\$.*?\$\$|\$.*?\$, content, re.DOTALL) for eq in equations: # 检查括号匹配 if eq.count(() ! eq.count()): issues.append(f括号不匹配: {eq[:50]}...) # 检查常见错误 if \\fra in eq and \\frac not in eq: issues.append(f分式命令不完整: {eq[:50]}...) return issues def check_tables(self, content: str) - List[str]: 检查表格格式 issues [] lines content.split(\n) in_table False table_lines [] for i, line in enumerate(lines): if | in line and --- in line: in_table True table_lines.append(line) elif in_table and | in line: table_lines.append(line) elif in_table: # 表格结束检查格式 self.validate_table(table_lines, i, issues) in_table False table_lines [] return issues def validate_table(self, table_lines: List[str], line_num: int, issues: List[str]): 验证表格格式 if len(table_lines) 2: issues.append(f第{line_num}行: 表格格式不完整) return # 检查列数一致性 col_counts [line.count(|) for line in table_lines] if len(set(col_counts)) 1: issues.append(f第{line_num}行: 表格列数不一致) def run_checks(self, content: str) - Dict: 运行所有检查 results { total_issues: 0, details: {}, score: 100 # 初始分数 } for check_name, check_func in self.rules.items(): issues check_func(content) results[details][check_name] issues results[total_issues] len(issues) # 计算质量分数 results[score] max(0, 100 - results[total_issues] * 5) return results # 使用示例 checker AcademicQualityChecker() quality_report checker.run_checks(paper_content) if quality_report[score] 80: print(f文档质量较低 ({quality_report[score]}分)建议人工检查) for check_name, issues in quality_report[details].items(): if issues: print(f{check_name}: {len(issues)}个问题) else: print(f文档质量良好 ({quality_report[score]}分))人工复核工作流 对于重要的学术文档建议建立人工复核流程自动标记可疑内容让系统自动标记低置信度的识别结果重点复核区域公式、表格、专业术语等关键部分对比查看同时显示原始图片和识别结果方便对比批量修正对同类错误进行批量查找和替换5.3 性能优化策略处理大量学术文档时性能优化很重要批量处理优化import concurrent.futures from typing import List class BatchOptimizer: def __init__(self, max_workers: int 4): self.max_workers max_workers def parallel_process(self, image_paths: List[str], batch_size: int 8): 并行处理多个文档 results [] # 按batch_size分组 batches [image_paths[i:ibatch_size] for i in range(0, len(image_paths), batch_size)] with concurrent.futures.ThreadPoolExecutor(max_workersself.max_workers) as executor: future_to_batch { executor.submit(self.process_batch, batch): batch for batch in batches } for future in concurrent.futures.as_completed(future_to_batch): batch future_to_batch[future] try: batch_results future.result() results.extend(batch_results) except Exception as e: print(f处理批次失败: {e}) # 记录失败后续重试 return results def process_batch(self, image_paths: List[str]): 处理一个批次 batch_results [] for img_path in image_paths: # 这里调用深求·墨鉴的API result self.call_ocr_api(img_path) batch_results.append(result) return batch_results def optimize_for_academic(self, config: Dict): 学术文档专用优化配置 optimized_config { model_params: { temperature: 0.0, # 学术文档需要确定性 max_tokens: 8192, # 学术文档通常较长 top_p: 0.9, }, preprocessing: { dpi: 300, # 高DPI保证清晰度 denoise: True, # 去噪处理 deskew: True, # 自动纠偏 contrast_enhance: True # 增强对比度 }, postprocessing: { spell_check: True, # 拼写检查 format_consistency: True, # 格式一致性 latex_validation: True # LaTeX验证 } } return {**optimized_config, **config}缓存策略 学术文档中经常有重复的内容如期刊页眉、公式模板等使用缓存可以显著提升性能import hashlib import pickle from functools import lru_cache class AcademicOCRCache: def __init__(self, cache_dir: str ./ocr_cache): self.cache_dir Path(cache_dir) self.cache_dir.mkdir(exist_okTrue) def get_cache_key(self, image_path: str, prompt: str) - str: 生成缓存键 # 基于图片内容和提示词生成唯一键 with open(image_path, rb) as f: image_hash hashlib.md5(f.read()).hexdigest() prompt_hash hashlib.md5(prompt.encode()).hexdigest() return f{image_hash}_{prompt_hash} lru_cache(maxsize1000) def get_cached_result(self, cache_key: str): 获取缓存结果 cache_file self.cache_dir / f{cache_key}.pkl if cache_file.exists(): with open(cache_file, rb) as f: return pickle.load(f) return None def save_to_cache(self, cache_key: str, result: Dict): 保存到缓存 cache_file self.cache_dir / f{cache_key}.pkl with open(cache_file, wb) as f: pickle.dump(result, f) def process_with_cache(self, image_path: str, prompt: str): 带缓存的处理 cache_key self.get_cache_key(image_path, prompt) # 检查缓存 cached self.get_cached_result(cache_key) if cached: print(f缓存命中: {image_path}) return cached # 调用OCR API result self.call_ocr_api(image_path, prompt) # 保存到缓存 self.save_to_cache(cache_key, result) return result6. 总结让学术研究更高效让创新思考更专注回顾整个“深求·墨鉴”在学术文档处理中的应用最深刻的体会是技术真正的价值不在于它有多先进而在于它如何解放人的时间和精力。作为一名长期从事学术研究的人我深知手动录入文献、整理数据、校对公式这些工作有多么耗时耗力。这些机械性的劳动不仅消耗时间更消耗研究的热情和创造力。“深求·墨鉴”带来的改变是根本性的。它不仅仅是一个OCR工具而是一个理解学术文档结构的智能助手。从简单的文字识别到复杂的公式解析再到表格的结构化提取它处理学术文档的方式越来越接近人类专家的水平。更重要的是通过CSDN星图镜像广场的一键部署这种能力变得触手可及不需要深厚的技术背景不需要复杂的配置过程。在实际应用中我看到了几个明显的变化时间效率的飞跃过去需要几个小时手动录入的文献现在几分钟就能完成。研究生们可以把更多时间用在文献分析和方法思考上而不是数据录入上。准确性的提升人工录入难免出错特别是在处理复杂公式和表格时。机器识别不仅速度快而且一致性高大大减少了后期校对的工作量。研究流程的重构当文档处理变得自动化整个研究流程都可以重新设计。文献综述可以半自动生成实验数据可以自动提取和分析论文写作可以基于结构化的素材快速展开。协作方式的改变研究团队可以共享处理好的文献数据库每个人都可以在此基础上进行标注、分析和讨论。知识的积累和传承变得更加系统化。当然任何技术都有其边界。“深求·墨鉴”在处理极其模糊的扫描件、手写公式或者特殊符号时仍然需要人工校对。但重要的是它承担了90%的机械性工作让人可以专注于那10%需要真正智慧和判断力的部分。展望未来我期待看到更多这样的工具出现不仅处理文档还能理解文档背后的知识甚至协助进行研究设计、数据分析和方法创新。但就目前而言“深求·墨鉴”已经足够让大多数研究者迈出数字化转型的第一步——从繁琐的文档处理中解放出来把宝贵的时间和精力还给真正的学术思考。技术的进步不是为了取代人类而是为了增强人类。在学术研究的道路上我们需要更多像“深求·墨鉴”这样的伙伴它们默默处理着基础工作让我们能够仰望更高的星空探索更深的真理。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。