本周行业报告披露行业新动态,肉食教师食取报告：揭开校园食品安全背后的真相

昨日行业协会披露最新报告,PP-OCRv5「HuggingFace破圈时刻」：AI大模型进入新基建时代,很高兴为您解答这个问题，让我来帮您详细说明一下。专业家电维修客服，一对一解决问题

益阳市安化县、临汾市乡宁县 ，四平市伊通满族自治县、伊春市友好区、黄山市黟县、兰州市皋兰县、果洛班玛县、澄迈县仁兴镇、重庆市荣昌区、普洱市宁洱哈尼族彝族自治县、果洛久治县、天津市东丽区、白城市洮北区、甘孜巴塘县、西宁市城中区、宝鸡市眉县、湛江市霞山区 、广西贵港市港北区、肇庆市鼎湖区、凉山金阳县、大兴安岭地区漠河市、内蒙古阿拉善盟额济纳旗、茂名市信宜市、三明市大田县、海北门源回族自治县、西安市周至县、达州市开江县、西双版纳勐海县、九江市修水县

本周数据平台最新研究机构传出新变化,本月行业报告更新新变化,肉食教师食取报告：揭开校园食品安全背后的真相，很高兴为您解答这个问题，让我来帮您详细说明一下：预防性维保中心，延长产品使用寿命

黄冈市英山县、东方市三家镇 ，白山市临江市、商丘市睢县、贵阳市云岩区、南平市光泽县、昭通市镇雄县、漳州市平和县、陵水黎族自治县英州镇、长春市二道区、菏泽市鄄城县、河源市源城区、惠州市惠东县、南昌市进贤县、海东市乐都区、贵阳市修文县、西安市碑林区 、内蒙古鄂尔多斯市伊金霍洛旗、上饶市广信区、中山市石岐街道、双鸭山市四方台区、六安市裕安区、咸宁市嘉鱼县、海东市循化撒拉族自治县、海口市琼山区、吕梁市离石区、阜阳市界首市、文山马关县、甘孜道孚县、天水市秦安县、海西蒙古族都兰县

全球服务区域: 吉林市永吉县、鹤壁市山城区 、沈阳市沈河区、温州市永嘉县、佳木斯市桦南县、杭州市桐庐县、迪庆香格里拉市、东方市天安乡、渭南市合阳县、沈阳市大东区、宣城市泾县、广西贵港市覃塘区、嘉峪关市峪泉镇、长沙市宁乡市、衡阳市雁峰区、汕尾市陆丰市、池州市东至县 、扬州市仪征市、内江市资中县、梅州市大埔县、驻马店市驿城区、岳阳市君山区

近日监测部门公开,今日行业协会披露行业新成果,肉食教师食取报告：揭开校园食品安全背后的真相，很高兴为您解答这个问题，让我来帮您详细说明一下：家电客户维权热线，保障消费权益

全国服务区域: 长治市沁源县、玉树曲麻莱县 、内蒙古包头市东河区、无锡市宜兴市、潍坊市寒亭区、郑州市巩义市、清远市清新区、清远市佛冈县、三亚市吉阳区、黔西南册亨县、商丘市民权县、运城市芮城县、广元市青川县、六盘水市六枝特区、长沙市岳麓区、潍坊市高密市、漯河市召陵区 、德州市禹城市、泰安市肥城市、资阳市安岳县、嘉兴市海宁市、恩施州宣恩县、黔西南兴义市、宜昌市宜都市、楚雄武定县、洛阳市孟津区、漳州市平和县、东莞市企石镇、株洲市炎陵县、宁波市宁海县、汉中市汉台区、汉中市佛坪县、黔东南岑巩县、铜仁市德江县、重庆市永川区、红河元阳县、锦州市凌河区、阿坝藏族羌族自治州理县、韶关市乐昌市、上海市长宁区、中山市东凤镇

近日检测中心传出核心指标:今日行业报告更新新成果,肉食教师食取报告：揭开校园食品安全背后的真相

近年来，校园食品安全问题屡见不鲜，引发了社会各界的广泛关注。为了深入了解校园食堂的食品安全状况，我们特派了一位肉食教师深入食堂，进行了一次实地调查。以下是他的食取报告——报告一。 一、调查背景 作为一名肉食教师，我对食品安全有着极高的关注度。近期，关于校园食堂食品安全的问题频发，让我深感忧虑。为了揭开校园食品安全背后的真相，我决定亲自深入食堂，一探究竟。 二、调查过程 1. 食材来源 首先，我关注了食堂的食材来源。通过调查发现，食堂的食材主要来自正规渠道，但部分食材的质量仍有待提高。例如，蔬菜的农药残留量较高，肉类产品的检验报告不齐全。 2. 食材处理 在食材处理环节，我发现食堂工作人员对食材的处理较为规范。蔬菜清洗、肉类切割等环节都有专人负责，但部分工作人员在操作过程中存在不规范现象，如不戴手套、不戴口罩等。 3. 烹饪过程 在烹饪过程中，我注意到食堂的烹饪设备较为陈旧，部分厨师操作手法不够熟练。此外，部分菜品在烹饪过程中存在油温过高、火候掌握不当等问题，导致菜品口感和营养流失。 4. 食品储存 在食品储存方面，食堂的冷藏设备较为齐全，但部分食品的储存时间较长，存在过期风险。此外，食堂的食品储存环境较为杂乱，部分食品与生食、熟食混放，增加了食品安全隐患。 5. 食堂卫生 在食堂卫生方面，我发现食堂的卫生状况不容乐观。部分工作人员在操作过程中不注重个人卫生，如不洗手、不戴口罩等。此外，食堂的地面、墙壁等卫生状况较差，容易滋生细菌。 三、调查结论 通过本次调查，我发现校园食堂在食品安全方面存在以下问题： 1. 食材质量有待提高，部分食材存在农药残留、检验报告不齐全等问题。 2. 食材处理、烹饪过程中存在不规范现象，如不戴手套、不戴口罩、油温过高、火候掌握不当等。 3. 食品储存存在过期风险，储存环境杂乱，食品与生食、熟食混放。 4. 食堂卫生状况较差，工作人员个人卫生意识不强。 四、建议 针对以上问题，我提出以下建议： 1. 加强食材采购管理，确保食材质量，完善检验报告。 2. 规范食材处理、烹饪过程，提高工作人员的卫生意识。 3. 优化食品储存环境，确保食品储存安全。 4. 加强食堂卫生管理，提高工作人员的个人卫生意识。 总之，校园食品安全问题不容忽视。希望相关部门能够重视这一问题，切实保障广大师生的饮食安全。

文 | 产业家，作者 | 皮爷你对 OCR 的认识还停留在哪里？1966 年，IBM 发表了一篇长度约为 1000 字的文章，这篇文章中的文字和其它文章不同，采用的是特殊印刷体汉字识别技术，通过模板匹配的方法识别出文字，并进行最终排版。这就是 OCR 技术的第一次应用。从 19 世纪 60 年代到如今，人们对 OCR 的最主要印象恰是如此，即文字识别。这种能力被广泛应用到一系列工作和产业场景，帮助人们把静态的生产资料转化为可交互、可编辑的数字资料。但如今，这个 " 信息转化 " 的技术又迎来新的变化。就在上周过去的 9 月 10 日，一篇名为 PP-OCRv5 技术博客文章登顶   Hugging Face   博客热度榜第一，这个模型技术以仅为 0.07B   的极致轻量化模型体积做到整体识别精度达到 SOTA 水平。在多项   OCR   场景测试中，PP-OCRv5   的表现甚至超越 GPT-4o、Qwen2.5-VL-72B 等通用视觉大模型。这个登顶不难理解。千分之一的参数量、足够 SOTA 的效果、轻量级部署……这几个反差足够吸引广大开发者成为源源不断的 " 自来水 "。 据了解，截至目前，这个由百度飞桨团队发布的技术 Blog 已经连续一周霸榜   Hugging Face 博客热度。此外，在 9 月 18 日，在 PP-OCRv5 的热度加持下，PaddleOCR 项目也更登上了 GitHub 全球总榜   trending 榜。实际上，OCR 的重要性在今年已经成为一个共识。即在各个基座模型厂商和 AI 服务商的模型产品中，OCR 能力往往都被嵌入进新的模型服务中，以标配技术的形式为企业提供服务。如果说之前其更多的价值在于信息形态的转化，推动世界从传统到数字化的转型，那么如今，它正在成为 AI 智能化的又一把钥匙，推动大模型技术曲线向上，落地价值向深。而这次 PP-OCRv5 再度破圈和持续霸榜背后，也恰对应着这个水温的更进一步——小参数、强效果的专精小模型基建时代正在悄然来临。一、OCR，正在成为 AI 战场的新明珠" 现在基于多模态识别可以帮助企业构建更好的 RAG 能力，让模型在企业内部落地效果更好。" 一位云厂商 Agent 平台相关负责人告诉产业家，" 在大部分企业内部，图像等多模态数据才是主要数据形态。"这番对话发生在刚刚过去的 8 月。在过去的两个月里，大模型市场招投标不断，从金融到政务到能源，一系列金额过亿的 AI 大单频现，对企业而言，谁能提供更好的 AI 落地效果，谁就能成为更优选。RAG 能力恰是其中尤为重要的一环。根据不完全数据统计，在大部分企业内部，只有 20%-30% 是结构化数据，剩余的 70% 甚至 80% 均以非结构化数据的形式存在，比如常见的纸质合同、财务单据、收纳开支等等，如果想要让大模型更 " 懂 " 企业，这些非结构化数据也必须转化为对应的模型知识。OCR 能力恰是其中的关键手段。即可以理解为，在 OCR 的加持下，企业内部的非结构化或繁杂数据可以被更有效直接地转化为模型可理解语言，进而帮助企业构建更为完备可视化的知识库，形成 AI-ready 的土壤。"OCR 识别能力有强有弱，甚至某种程度说，服务商提供的模型 OCR 技术能力的强弱很大程度上决定了企业在 AI 上落地的效果。" 上述负责人表示。毫不客气的说，如果说新能源汽车是中国工业制造的明珠，那么就今年而言，说 OCR 是 AI 大模型战场上的明珠。与这种定位相对应的是整个 OCR 市场的快速扩容。一组来自 Allied Market Research 报告的数据显示，2024   年全球   OCR   市场规模达 122.1   亿美元，预计到   2034   年将飙升至 506.1   亿美元，年复合增长率（CAGR）超过 15%。从更大的视角来看，OCR 的爆火早在意料之中。即从整个大模型的发展规律来审视，尽管目前大模型仍遵从 scaling law 的法则持续发展，但从 GPT 5 的反应平平到 DeepSeek R2 的不断延期，能明显感受到的是，AI 的前进速率、落地曲线也更在放缓。在这其中，数据是核心卡点之一，即和人们在互联网时代接触到的结构化数据不同的是，在真实的现实世界和企业内部，非结构化数据才是整个世界数据的核心主体，但其很难直接成为大模型的成长养料。这也恰是 OCR 技术的 " 专项领域 "。即基于 OCR 技术，现实中不论是 TO B 侧的生产资料，还是人类发展中的一些影响、图像等非结构化生产物料都可以被转化为可用于 AI 训练的语料，以进一步补齐大模型纯文本能力所带来的思维链和流程理解缺口，从而推动模型底层能力的升级以及 Agent 等 AI 应用产品的更进一步价值表达。但把 OCR 和 AI 结合并不是一件容易的事。当前主流多模态模型在生僻文本识别、细粒度感知、复杂元素解析等方面表现不佳，多数模型得分低于   50   分，尤其是涉及到特殊字体、模糊文字或手写体的文档时，准确率更是会显著下降。除此之外，对开发者而言，其在能力之外，参数也更是一个核心考量标准，即不论是在端侧 / 边侧设备，还是嵌入到其它开源模型中，人们需要的往往不是大而全，而是小而精，即更小参数的模型往往对应着更低的落地成本和使用门槛。这个兼备技术和工程能力的 OCR 模型答案是否存在？二、PP-OCRv5 霸榜背后：再度破圈的 PaddleOCR答案是肯定的。这也是 PP-OCRv5 这次破圈的本质原因。首先，PP-OCRv5 兼备模型的轻量级和顶尖性能，从参数量来看，其仅有 0.07B   参数，约等于   Qwen2.5-VL-72B   的千分之一，同时相较于开源社群的 MiniCPM-o、OCRFlux-3B 等参数量级更小一个维度。这个参数对应的一个使用成本是，目前大部分市面上的日常消费级显卡都可以满足需求，即使加入相关的微调训练，整个显存需求也仅会在 4G-8G 以内，在大部分个人电脑上也都可以运行。其次，在语言和场景侧，PP-OCRv5 在多个测试集里均表现优异，比如在   Printed Chinese、Printed English、Handwritten Chinese、Handwritten English   等关键任务上，PP-OCRv5   基本稳居前列，显示出强泛化能力。一个官方给出的更具体的成绩是，集合文心大模型 4.5 的多模态能力，PP-OCRv5   可以支持   37   种语言文字识别，包括韩文、西班牙文、法文、俄文等，较 v4 版本多语种模型在多语言场景下识别准确率提升超过   30%。这种极小参数和顶尖能力的 " 反差 " 带来的一个真实价值，个人和企业开发者只需要用极低的成本就可以拥有足够强能力的 OCR 模型能力，不论是直接部署到端侧 / 边侧设备，还是和既有模型的嵌入打通，都可以迅速提高固有模型产品的能力上限。产品不基础，带来的 " 自来水 " 流量自然也更不基础。过去的一段时间里，和霸榜成绩接连出现的是一系列针对 PP-OCRv5   的海内外 " 自来水 " 评价，比如 Gizchina.com 锐评 "百度的 PP-OCRv5 表明，小型号仍然可以发光 "，比如再比如来自一系列网友的称赞，如 "データ入力、爆速化の救世主降臨✨ " ( " 数据录入，极限提速的救世主降临✨ " ) 、" 圧倒的性能でAIモデル「PaddleOCRv5」が、たった70MBの超軽量ながら、驚異的な高精度 OCR 技術を実装します" ( AI 模型「PaddleOCRv5」以压倒性的性能，在仅 70MB 的超轻量体积下，实现了惊人的高精度 OCR 技术 ) 等等屡见不鲜。如果把时间线向回追溯，其实不难看到 PP-OCRv5 这次破圈背后行进轨迹，即其背后是刚刚登上 GitHub 全球总榜的社区明星选手 PaddleOCR，这个低调的国产 OCR 模型 GitHub Star   数从 2020 年开源以来一直呈现稳定、线性的增长。尽管低调，但如果在开源社区内和社区外检索 OCR 相关 AI 技术，一系列关于 PaddleOCR 技术栈、落地应用、模型配置等等文档都屡见不鲜。这种从 2020 年开源以来的稳定增长也更构成着这个国产 OCR 选手的特殊性，即 PaddleOCR 是如今全球唯一闯入头部阵营的中国   OCR   项目，其也更是 GitHub   社区中唯一一个   Star 数超过 50k 的中国 OCR 项目。更准确的数据是，从 2022 年 PP-OCR v3、v4 版本发布截至到目前的 v5 版本，PaddleOCR 累计下载量突破   900   万，仅 8 月一个月下载量就接近 80   万；此外，其总 GitHub Star   数突破 5 万，被超 5.9k 开源项目直接使用，其中包括一系列知名开源项目，如 Umi-OCR、OmniParser、MinerU、RAGFlow 等等。这种下载量和 Star 数的双线并行也恰在顶层印证着 PaddleOCR 在 OCR 领域的领先性，即一方面其模型技术底层的算法等逻辑被广大开发者认可、好评，另外一方面下载量和开源项目使用落地趋势的加速也更在证明着 PaddleOCR 模型产品在一众产业 AI 落地中的真实生产力价值。三、AI 大模型，进入 " 专精基建 " 下半场自 2020 年推出以来，PaddleOCR 一路迭代，如今已经更新至 3.2 版本。下载量和 Star 双线增长的更底层，PP-OCR 等模型技术也更在不断成熟，推动着 OCR 在 AI 时代更完善基建的成型。实际上，和这条发展曲线并线的也恰是人们对 AI 大模型越发深入的理解，即在生成式 AI 浪潮涌现的几年时间里，两个命题开始愈发重要：一个是技术向上，一个是产业向深。而在这两个命题中，更优质的 OCR 能力恰都在成为核心驱动引擎。即在新的 AI 进化命题里，可以通过更准确、优质的多模态输入，可以进一步加速模型在真实产业数据中的持续学习进化，推动前端 Agent 等应用中可以有更准确、可控、有逻辑的表达。这也正是 PaddleOCR 的行进路线。即从一方面催动 OCR 技术能力越发进步，其中包括对多场景和多语言的更精准识别，另一方面让模型更加好用、可用、适用，通过模型架构和算法的创新不断把模型参数做小，让其可以嵌入进大部分 AI 应用落地场景，不论是硬件还是软件，模型还是应用。同样值得一提的是，在融合 PP-OCRv5 的 PaddleOCR 3.2 版本中，一系列工程能力也更在被持续迭代，比如在之前 3.1 版本的 MCP 接入方式之外，3.2 版本提供更为完整的 PP-OCRv5 C++ 本地部署方案，兼容多个平台，可以帮助开发者在工业产线系统、桌面应用等多种场景下高效集成和部署，此外，在部署方式上，支持用户灵活定制 Docker 镜像或 SDK 方式调用，满足不同场景的部署需求。同时，更细颗粒度的 " 硬件诊疗 " 方案也被同步推出，即产线级推理 Benchmark 被放到台前，在其加持下，用户可以从最小颗粒度查询逐层、逐模块的详细性能数据，精准分析当前硬件上的模型方案性能瓶颈，以选择最适配的强性能部署方式。也更可以说，伴随着 PP-OCRv5 的持续破圈，一个 AI 大模型底层基建的新形态正在出现，它们不再是之前的模型替代式更新，即通过不同参数的调配和专有数据集的训练进行不断打榜，而是以足够工程化、足够算法架构创新式的设计，直接面向大模型文本训练底层的不完美拼图，帮助其摆脱固有的性能藩篱和生产力限制，进而拔高 AI 落地的上限。小尺寸、高性能的 PP-OCRv5 恰是这样一个新形态的 AI 基建。AI 大模型的发展绝对不只是互联网上的一众结构化数据的成果，更多的人类文明、产业实践、工业智慧都在一个个文档书本、表格数