本月行业报告传递政策新进展,《龙之谷学者转职攻略：解锁新技能，探索无尽奥秘》

本周行业协会传递行业报告,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。全国联网维保服务，统一护理标准

广西柳州市鱼峰区、福州市连江县 ，陵水黎族自治县隆广镇、延安市延川县、成都市都江堰市、商洛市镇安县、商洛市洛南县、内蒙古赤峰市阿鲁科尔沁旗、揭阳市榕城区、汕尾市陆丰市、太原市尖草坪区、上海市静安区、七台河市茄子河区、内蒙古鄂尔多斯市乌审旗、开封市通许县、滁州市天长市、张掖市甘州区 、苏州市虎丘区、商洛市柞水县、牡丹江市绥芬河市、佛山市南海区、曲靖市马龙区、楚雄永仁县、深圳市龙华区、汉中市佛坪县、长沙市宁乡市、忻州市保德县、阜新市海州区、咸阳市三原县

近日评估小组公开关键数据,今日行业报告发布研究成果,《龙之谷学者转职攻略：解锁新技能，探索无尽奥秘》，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化监督平台，智能优化服务质量

广西防城港市东兴市、佛山市三水区 ，晋中市左权县、汉中市洋县、广西南宁市隆安县、合肥市庐阳区、天水市秦安县、大同市平城区、内蒙古赤峰市喀喇沁旗、九江市瑞昌市、黄冈市红安县、温州市文成县、黄冈市黄梅县、衡阳市蒸湘区、驻马店市驿城区、东莞市大岭山镇、白银市平川区 、亳州市蒙城县、鸡西市滴道区、丽水市景宁畲族自治县、驻马店市驿城区、永州市江华瑶族自治县、宿迁市泗阳县、鹤岗市南山区、临沂市蒙阴县、安顺市普定县、安庆市桐城市、荆州市监利市、大理南涧彝族自治县、济南市长清区、十堰市郧阳区

全球服务区域: 梅州市蕉岭县、榆林市府谷县 、文昌市东阁镇、长治市屯留区、大兴安岭地区呼中区、佳木斯市郊区、太原市清徐县、铜川市宜君县、昆明市东川区、内蒙古乌兰察布市丰镇市、澄迈县文儒镇、信阳市平桥区、河源市和平县、郑州市新密市、南通市如东县、徐州市铜山区、铁岭市铁岭县 、内江市东兴区、营口市老边区、舟山市定海区、龙岩市长汀县、内蒙古锡林郭勒盟锡林浩特市

近日研究机构传出突破成果,今日官方渠道传递研究成果,《龙之谷学者转职攻略：解锁新技能，探索无尽奥秘》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电企业专属热线，大客户定制服务

全国服务区域: 青岛市李沧区、徐州市邳州市 、金华市磐安县、陵水黎族自治县黎安镇、宿州市埇桥区、鹤岗市萝北县、东莞市石龙镇、汉中市留坝县、内蒙古呼伦贝尔市海拉尔区、红河蒙自市、凉山喜德县、大同市云冈区、大连市西岗区、驻马店市上蔡县、海口市美兰区、福州市台江区、楚雄牟定县 、泰州市兴化市、河源市龙川县、屯昌县南吕镇、广西桂林市灵川县、长沙市天心区、昭通市大关县、榆林市府谷县、亳州市蒙城县、重庆市大渡口区、赣州市信丰县、广西来宾市忻城县、湛江市麻章区、贵阳市云岩区、苏州市常熟市、陵水黎族自治县三才镇、肇庆市封开县、泰安市新泰市、黄冈市黄梅县、黄石市西塞山区、伊春市伊美区、黄冈市武穴市、临夏康乐县、陵水黎族自治县三才镇、太原市古交市

昨日官方渠道公开新变化:昨日行业协会传递重大研究成果,《龙之谷学者转职攻略：解锁新技能，探索无尽奥秘》

在《龙之谷》这款深受玩家喜爱的MMORPG游戏中，学者职业以其独特的技能和深厚的知识储备而备受青睐。然而，随着游戏的深入，许多玩家都渴望通过转职来解锁更多可能性。本文将为您详细介绍学者转职的流程和技巧，帮助您在游戏中更加得心应手。 ### 学者转职背景 在《龙之谷》中，学者职业拥有丰富的知识储备和强大的辅助能力。学者可以通过学习各种魔法和技能，为队友提供强大的支援。然而，随着游戏版本的更新，学者职业的转职系统也得到了优化，使得玩家可以更加灵活地选择自己的发展方向。 ### 转职流程 1. **满足条件**：首先，玩家需要确保自己的学者角色等级达到转职要求。在《龙之谷》中，学者转职需要达到30级。 2. **选择转职方向**：在满足条件后，玩家可以选择以下三个转职方向： - **魔法师**：专注于单体伤害和控制，擅长使用各种强大的魔法技能。 - **召唤师**：能够召唤强大的召唤兽协助战斗，拥有出色的团队支援能力。 - **炼金术士**：擅长制作各种药剂和道具，为团队提供持续的治疗和辅助。 3. **完成转职任务**：选择转职方向后，玩家需要完成一系列的转职任务。这些任务包括击败特定的怪物、收集特定的材料等。完成任务后，玩家将正式成为新的职业。 ### 转职技巧 1. **选择合适的转职方向**：在转职之前，玩家需要根据自己的游戏风格和需求来选择合适的转职方向。例如，如果你喜欢单体输出，那么魔法师可能更适合你；如果你喜欢团队协作，那么召唤师可能更合适。 2. **合理安排技能点**：转职后，玩家需要根据自己的职业特点来合理安排技能点。例如，魔法师需要提高魔法伤害和控制能力，召唤师则需要提高召唤兽的生存能力和输出能力。 3. **装备搭配**：合适的装备可以大幅度提升角色的战斗力。在转职后，玩家需要根据自己的职业特点来选择合适的装备，以提高自己的战斗力。 4. **团队协作**：在《龙之谷》中，团队协作至关重要。无论是作为魔法师、召唤师还是炼金术士，玩家都需要学会与队友配合，发挥自己的最大作用。 ### 总结 学者转职是《龙之谷》游戏中的一大亮点，它为玩家提供了更多的选择和可能性。通过本文的介绍，相信玩家们已经对学者转职有了更深入的了解。在今后的游戏中，希望玩家们能够根据自己的喜好和需求，选择合适的转职方向，成为一名出色的学者，探索《龙之谷》的无尽奥秘。

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