Chandra OCR批量处理一条命令扫光整个文件夹自动化文档转换1. 从手动到自动批量文档处理的痛点与曙光想象一下这个场景你的电脑里躺着一个名为“待处理”的文件夹里面塞满了上百份扫描的合同、发票、报告和表格。你需要把它们全部转换成可搜索、可编辑的文本以便归档或录入系统。传统做法是什么你可能会打开一个PDF阅读器一页一页地截图。把截图一张张拖到某个OCR工具的网页版或软件里。等待识别结果然后手动复制粘贴到Word或记事本。重复以上步骤直到处理完所有文件这个过程枯燥、耗时且极易出错。更糟糕的是如果文档里有表格识别出来的文字顺序可能全乱了如果有公式可能变成一堆乱码如果有手写批注可能直接被忽略。最后你得到的是一堆需要大量人工校对和整理的“半成品”。这就是文档数字化过程中最令人头疼的“最后一公里”问题。识别文字本身已经不难难的是如何高效、准确、自动化地处理批量文件并保留原始文档的排版和结构。今天要介绍的Chandra OCR就是为了彻底解决这个问题而生的。它不是一个需要你点来点去的软件而是一个可以通过一条简单命令就能自动扫描整个文件夹将图片和PDF批量转换成结构化Markdown、HTML或JSON的智能工具。它的核心价值就是让你从繁琐的重复劳动中解放出来把时间花在更有价值的事情上。2. Chandra OCR不只是识别文字更是理解文档在深入讲解批量处理之前我们需要先理解Chandra到底是什么。它不是一个传统的OCR引擎而是一个“布局感知”的视觉语言模型。简单来说传统OCR比如你手机上的扫描软件的工作是“这里有一堆像素我猜它们是字母‘A’、‘B’、‘C’然后把它们的坐标记下来。” 输出结果是一堆零散的文本框。而Chandra的工作是“这是一份文档。顶部的大号加粗文字是标题下面分成两栏左边是段落文字右边是一个三行四列的表格表格下面有一个带编号的公式页脚有手写签名。” 然后它会按照这个理解输出结构化的结果。这种“理解”能力在官方基准测试olmOCR上拿到了83.1的综合高分超越了GPT-4o和Gemini Flash 2等通用大模型。特别是在处理复杂表格、老旧扫描的数学公式以及长段小字号文字时表现尤为突出。对于批量处理而言这种能力意味着什么一致性无论处理100张还是1000张图片每张图片都能按照相同的逻辑进行结构化解析。高质量输出无需后处理。输出的Markdown直接带有标题#、列表-、表格|...|甚至能将公式渲染为LaTeX格式$Emc^2$。多格式支持一次处理同时生成Markdown用于知识库、HTML用于网页展示和JSON用于程序化处理满足不同下游需求。3. 环境准备为批量处理铺平道路在开始“一条命令扫光文件夹”之前我们需要确保Chandra已经正确部署在你的机器上。这个过程非常简单但有几个关键点需要注意。3.1 硬件与软件要求GPU这是核心。Chandra基于vLLM推理需要NVIDIA GPU。最低要求是拥有至少8GB显存的显卡如RTX 3060 12GB。显存不足会导致模型无法加载。系统Linux或Windows建议使用WSL2均可。Python3.10或以上版本。一个重要的避坑提示根据镜像文档在某些环境下可能需要两张显卡才能成功启动服务。如果你在单卡环境下遇到启动失败可以尝试检查vLLM的版本或CUDA驱动或者查阅社区解决方案。对于大多数用户一张RTX 3060/3070/4060及以上显卡足矣。3.2 一键部署Chandra服务我们推荐使用Docker方式部署这是最干净、最避免依赖冲突的方法。如果你已经按照之前的教程部署了Chandra的vLLM服务那么可以跳过这一步。假设你使用CSDN星图镜像广场提供的预置镜像部署过程通常只需点击几下。如果你选择手动部署核心命令如下拉取并运行镜像示例命令请以实际镜像为准# 假设镜像名为 chandra-ocr-vllm docker run -d --gpus all -p 8000:8000 -v /path/to/your/models:/models registry.cn-beijing.aliyuncs.com/your-namespace/chandra-ocr-vllm:latest这条命令做了几件事--gpus all将宿主机的GPU资源分配给容器。-p 8000:8000将容器内的8000端口映射到宿主机的8000端口用于API访问。-v ...将本地的模型目录挂载到容器内避免每次下载。验证服务 部署完成后在浏览器中访问http://你的服务器IP:8000你应该能看到vLLM提供的API文档页面。这说明OCR服务引擎已经就绪。服务端准备好后我们还需要在客户端也就是你打算运行批量命令的电脑上安装Chandra的CLI工具。安装CLI客户端pip install chandra-ocr安装完成后你可以通过chandra-ocr --help查看所有可用命令。至此一个服务端提供OCR能力一个客户端提供批量调用能力的流水线就搭建完成了。4. 核心实战一条命令处理整个文件夹现在进入最激动人心的部分。假设你的文件夹结构如下待处理文档/ ├── 合同扫描件1.pdf ├── 合同扫描件2.pdf ├── 发票.jpg ├── 报告.png └── 子文件夹/ └── 更多图片.tiff4.1 基础批量处理命令打开终端进入你存放文档的目录的上一级然后执行chandra-ocr process ./待处理文档/ --output-dir ./转换结果/就这么简单。process是处理命令。./待处理文档/指定要处理的文件夹路径。Chandra会递归地扫描该文件夹下的所有支持格式的文件包括子文件夹。--output-dir ./转换结果/指定输出目录。Chandra会自动创建这个文件夹。执行后你会看到终端开始滚动日志显示正在处理哪个文件进度如何。处理完成后./转换结果/目录下会生成对应的文件转换结果/ ├── 合同扫描件1.md ├── 合同扫描件1.html ├── 合同扫描件1.json ├── 合同扫描件2.md ├── 发票.md ├── 报告.md └── 子文件夹/ └── 更多图片.md每个输入文件都会生成三个输出文件Markdown, HTML, JSON完美保留了原始的文件树结构。4.2 进阶参数精细化控制输出一条命令的基础形态已经很强大了但Chandra的CLI工具还提供了更多参数来满足你的个性化需求。指定输出格式如果你只需要Markdown可以节省空间。chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --format md # 或者同时要html和json chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --format html json处理特定类型文件文件夹里混着其他文件可以过滤。# 只处理PDF文件 chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --extensions .pdf # 处理图片和PDF chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --extensions .jpg .png .pdf启用表格增强模式对于财务表格、复杂报表这个模式能显著提升表格结构的识别准确率。chandra-ocr process ./财务报表/ --output-dir ./输出/ --enhance-tables限制并发数如果你的服务器资源有限可以控制同时处理的任务数避免把服务打垮。chandra-ocr process ./大批量文档/ --output-dir ./输出/ --max-concurrency 24.3 处理结果预览让我们看看一个真实的批量处理输出片段。假设处理了一份简单的采购单图片生成的Markdown (采购单.md) 可能如下# 采购订单 **订单编号:** PO-2023-00158 **日期:** 2023年10月26日 **供应商:** 某某科技有限公司 | 物品编号 | 描述 | 数量 | 单价元 | 总价元 | | :--- | :--- | :--- | :--- | :--- | | A001 | 服务器内存条 32GB DDR4 | 10 | 450.00 | 4,500.00 | | B205 | SSD固态硬盘 1TB NVMe | 5 | 600.00 | 3,000.00 | | C012 | 千兆网络交换机 | 2 | 1200.00 | 2,400.00 | **小计:** 9,900.00 元 **增值税 (13%):** 1,287.00 元 **总计:** 11,187.00 元 **备注:** 请于11月10日前送达至我司仓库。可以看到标题、加粗文本、表格都被完美地转换成了对应的Markdown语法完全可以直接粘贴到Notion、语雀等支持Markdown的系统中使用。5. 脚本化与自动化融入你的工作流命令行工具已经极大地提升了效率但我们还可以更进一步通过编写简单的脚本将Chandra OCR深度集成到你的自动化流水线中。5.1 监控文件夹并自动处理你可以创建一个Python脚本使用watchdog库监控某个“输入”文件夹。一旦有新的PDF或图片放入脚本就自动调用Chandra CLI进行处理并将结果移动到“完成”文件夹。import os import time import subprocess from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler class NewFileHandler(FileSystemEventHandler): def on_created(self, event): if not event.is_directory: file_path event.src_path # 只处理特定格式 if file_path.lower().endswith((.pdf, .png, .jpg, .jpeg, .tiff)): print(f检测到新文件: {file_path}) # 调用chandra-ocr处理输出到固定目录 output_dir ./processed_output os.makedirs(output_dir, exist_okTrue) cmd fchandra-ocr process \{file_path}\ --output-dir \{output_dir}\ --format md json subprocess.run(cmd, shellTrue) print(f处理完成: {file_path}) # 可选将原文件移动到存档文件夹 # os.rename(file_path, f./archive/{os.path.basename(file_path)}) if __name__ __main__: path_to_watch ./drop_folder # 你要监控的文件夹 event_handler NewFileHandler() observer Observer() observer.schedule(event_handler, path_to_watch, recursiveFalse) observer.start() try: while True: time.sleep(1) except KeyboardInterrupt: observer.stop() observer.join()5.2 与RAG系统集成批量转换出的JSON文件是宝藏。它包含了每个文本块、表格单元格、图片的坐标和类型信息。你可以利用这些信息为你的RAG检索增强生成系统做更智能的文档切片。例如避免将一个表格从中间切开或者将图片标题和图片分到两个不同的片段中。import json import os def smart_chunk_for_rag(json_file_path): with open(json_file_path, r, encodingutf-8) as f: data json.load(f) chunks [] current_chunk {content: , metadata: {page: data.get(page_number, 1), elements: []}} # 假设JSON结构中有 blocks 列表 for block in data.get(blocks, []): block_type block.get(type) block_content block.get(content, ) # 策略1每个标题开始一个新的chunk if block_type heading: if current_chunk[content]: # 保存上一个chunk chunks.append(current_chunk) current_chunk {content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}} # 策略2每个表格作为一个独立的chunk elif block_type table: if current_chunk[content]: chunks.append(current_chunk) chunks.append({content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}}) current_chunk {content: , metadata: {page: data.get(page_number, 1), elements: []}} # 策略3段落文本累积超过一定长度就切分 elif block_type paragraph: if len(current_chunk[content]) len(block_content) 1000: # 假设阈值1000字符 chunks.append(current_chunk) current_chunk {content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}} else: current_chunk[content] \n block_content current_chunk[metadata][elements].append(block) if current_chunk[content]: chunks.append(current_chunk) return chunks # 批量处理JSON文件 output_dir ./转换结果 for root, dirs, files in os.walk(output_dir): for file in files: if file.endswith(.json): json_path os.path.join(root, file) smart_chunks smart_chunk_for_rag(json_path) print(f文件 {file} 被切分为 {len(smart_chunks)} 个语义块。) # 这里可以将chunks存入你的向量数据库6. 总结让批量文档处理变得简单而强大回顾我们开头的痛点手动、低效、易出错的海量文档处理。通过Chandra OCR和它强大的命令行工具我们实现了极致简化从复杂的图形界面操作简化为一条终端命令。全自动批量支持递归扫描整个文件夹自动识别格式保持目录结构。结构化输出直接生成可直接使用的Markdown、HTML以及富含元数据的JSON省去大量后处理工作。无缝集成通过脚本可以轻松融入任何自动化流水线或知识管理系统。无论你是法务人员需要处理成堆的扫描合同是财务人员需要数字化历史发票还是知识库管理员需要将大量PDF资料入库chandra-ocr process ./你的文件夹/这条命令都能成为你手中最高效的“文档转换流水线”。技术的价值在于解决实际问题提升效率。Chandra OCR在批量处理场景下的表现正是这一理念的完美体现。现在是时候清空你那个“待处理”文件夹了。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。
Chandra OCR批量处理：一条命令扫光整个文件夹，自动化文档转换
Chandra OCR批量处理一条命令扫光整个文件夹自动化文档转换1. 从手动到自动批量文档处理的痛点与曙光想象一下这个场景你的电脑里躺着一个名为“待处理”的文件夹里面塞满了上百份扫描的合同、发票、报告和表格。你需要把它们全部转换成可搜索、可编辑的文本以便归档或录入系统。传统做法是什么你可能会打开一个PDF阅读器一页一页地截图。把截图一张张拖到某个OCR工具的网页版或软件里。等待识别结果然后手动复制粘贴到Word或记事本。重复以上步骤直到处理完所有文件这个过程枯燥、耗时且极易出错。更糟糕的是如果文档里有表格识别出来的文字顺序可能全乱了如果有公式可能变成一堆乱码如果有手写批注可能直接被忽略。最后你得到的是一堆需要大量人工校对和整理的“半成品”。这就是文档数字化过程中最令人头疼的“最后一公里”问题。识别文字本身已经不难难的是如何高效、准确、自动化地处理批量文件并保留原始文档的排版和结构。今天要介绍的Chandra OCR就是为了彻底解决这个问题而生的。它不是一个需要你点来点去的软件而是一个可以通过一条简单命令就能自动扫描整个文件夹将图片和PDF批量转换成结构化Markdown、HTML或JSON的智能工具。它的核心价值就是让你从繁琐的重复劳动中解放出来把时间花在更有价值的事情上。2. Chandra OCR不只是识别文字更是理解文档在深入讲解批量处理之前我们需要先理解Chandra到底是什么。它不是一个传统的OCR引擎而是一个“布局感知”的视觉语言模型。简单来说传统OCR比如你手机上的扫描软件的工作是“这里有一堆像素我猜它们是字母‘A’、‘B’、‘C’然后把它们的坐标记下来。” 输出结果是一堆零散的文本框。而Chandra的工作是“这是一份文档。顶部的大号加粗文字是标题下面分成两栏左边是段落文字右边是一个三行四列的表格表格下面有一个带编号的公式页脚有手写签名。” 然后它会按照这个理解输出结构化的结果。这种“理解”能力在官方基准测试olmOCR上拿到了83.1的综合高分超越了GPT-4o和Gemini Flash 2等通用大模型。特别是在处理复杂表格、老旧扫描的数学公式以及长段小字号文字时表现尤为突出。对于批量处理而言这种能力意味着什么一致性无论处理100张还是1000张图片每张图片都能按照相同的逻辑进行结构化解析。高质量输出无需后处理。输出的Markdown直接带有标题#、列表-、表格|...|甚至能将公式渲染为LaTeX格式$Emc^2$。多格式支持一次处理同时生成Markdown用于知识库、HTML用于网页展示和JSON用于程序化处理满足不同下游需求。3. 环境准备为批量处理铺平道路在开始“一条命令扫光文件夹”之前我们需要确保Chandra已经正确部署在你的机器上。这个过程非常简单但有几个关键点需要注意。3.1 硬件与软件要求GPU这是核心。Chandra基于vLLM推理需要NVIDIA GPU。最低要求是拥有至少8GB显存的显卡如RTX 3060 12GB。显存不足会导致模型无法加载。系统Linux或Windows建议使用WSL2均可。Python3.10或以上版本。一个重要的避坑提示根据镜像文档在某些环境下可能需要两张显卡才能成功启动服务。如果你在单卡环境下遇到启动失败可以尝试检查vLLM的版本或CUDA驱动或者查阅社区解决方案。对于大多数用户一张RTX 3060/3070/4060及以上显卡足矣。3.2 一键部署Chandra服务我们推荐使用Docker方式部署这是最干净、最避免依赖冲突的方法。如果你已经按照之前的教程部署了Chandra的vLLM服务那么可以跳过这一步。假设你使用CSDN星图镜像广场提供的预置镜像部署过程通常只需点击几下。如果你选择手动部署核心命令如下拉取并运行镜像示例命令请以实际镜像为准# 假设镜像名为 chandra-ocr-vllm docker run -d --gpus all -p 8000:8000 -v /path/to/your/models:/models registry.cn-beijing.aliyuncs.com/your-namespace/chandra-ocr-vllm:latest这条命令做了几件事--gpus all将宿主机的GPU资源分配给容器。-p 8000:8000将容器内的8000端口映射到宿主机的8000端口用于API访问。-v ...将本地的模型目录挂载到容器内避免每次下载。验证服务 部署完成后在浏览器中访问http://你的服务器IP:8000你应该能看到vLLM提供的API文档页面。这说明OCR服务引擎已经就绪。服务端准备好后我们还需要在客户端也就是你打算运行批量命令的电脑上安装Chandra的CLI工具。安装CLI客户端pip install chandra-ocr安装完成后你可以通过chandra-ocr --help查看所有可用命令。至此一个服务端提供OCR能力一个客户端提供批量调用能力的流水线就搭建完成了。4. 核心实战一条命令处理整个文件夹现在进入最激动人心的部分。假设你的文件夹结构如下待处理文档/ ├── 合同扫描件1.pdf ├── 合同扫描件2.pdf ├── 发票.jpg ├── 报告.png └── 子文件夹/ └── 更多图片.tiff4.1 基础批量处理命令打开终端进入你存放文档的目录的上一级然后执行chandra-ocr process ./待处理文档/ --output-dir ./转换结果/就这么简单。process是处理命令。./待处理文档/指定要处理的文件夹路径。Chandra会递归地扫描该文件夹下的所有支持格式的文件包括子文件夹。--output-dir ./转换结果/指定输出目录。Chandra会自动创建这个文件夹。执行后你会看到终端开始滚动日志显示正在处理哪个文件进度如何。处理完成后./转换结果/目录下会生成对应的文件转换结果/ ├── 合同扫描件1.md ├── 合同扫描件1.html ├── 合同扫描件1.json ├── 合同扫描件2.md ├── 发票.md ├── 报告.md └── 子文件夹/ └── 更多图片.md每个输入文件都会生成三个输出文件Markdown, HTML, JSON完美保留了原始的文件树结构。4.2 进阶参数精细化控制输出一条命令的基础形态已经很强大了但Chandra的CLI工具还提供了更多参数来满足你的个性化需求。指定输出格式如果你只需要Markdown可以节省空间。chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --format md # 或者同时要html和json chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --format html json处理特定类型文件文件夹里混着其他文件可以过滤。# 只处理PDF文件 chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --extensions .pdf # 处理图片和PDF chandra-ocr process ./待处理文档/ --output-dir ./转换结果/ --extensions .jpg .png .pdf启用表格增强模式对于财务表格、复杂报表这个模式能显著提升表格结构的识别准确率。chandra-ocr process ./财务报表/ --output-dir ./输出/ --enhance-tables限制并发数如果你的服务器资源有限可以控制同时处理的任务数避免把服务打垮。chandra-ocr process ./大批量文档/ --output-dir ./输出/ --max-concurrency 24.3 处理结果预览让我们看看一个真实的批量处理输出片段。假设处理了一份简单的采购单图片生成的Markdown (采购单.md) 可能如下# 采购订单 **订单编号:** PO-2023-00158 **日期:** 2023年10月26日 **供应商:** 某某科技有限公司 | 物品编号 | 描述 | 数量 | 单价元 | 总价元 | | :--- | :--- | :--- | :--- | :--- | | A001 | 服务器内存条 32GB DDR4 | 10 | 450.00 | 4,500.00 | | B205 | SSD固态硬盘 1TB NVMe | 5 | 600.00 | 3,000.00 | | C012 | 千兆网络交换机 | 2 | 1200.00 | 2,400.00 | **小计:** 9,900.00 元 **增值税 (13%):** 1,287.00 元 **总计:** 11,187.00 元 **备注:** 请于11月10日前送达至我司仓库。可以看到标题、加粗文本、表格都被完美地转换成了对应的Markdown语法完全可以直接粘贴到Notion、语雀等支持Markdown的系统中使用。5. 脚本化与自动化融入你的工作流命令行工具已经极大地提升了效率但我们还可以更进一步通过编写简单的脚本将Chandra OCR深度集成到你的自动化流水线中。5.1 监控文件夹并自动处理你可以创建一个Python脚本使用watchdog库监控某个“输入”文件夹。一旦有新的PDF或图片放入脚本就自动调用Chandra CLI进行处理并将结果移动到“完成”文件夹。import os import time import subprocess from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler class NewFileHandler(FileSystemEventHandler): def on_created(self, event): if not event.is_directory: file_path event.src_path # 只处理特定格式 if file_path.lower().endswith((.pdf, .png, .jpg, .jpeg, .tiff)): print(f检测到新文件: {file_path}) # 调用chandra-ocr处理输出到固定目录 output_dir ./processed_output os.makedirs(output_dir, exist_okTrue) cmd fchandra-ocr process \{file_path}\ --output-dir \{output_dir}\ --format md json subprocess.run(cmd, shellTrue) print(f处理完成: {file_path}) # 可选将原文件移动到存档文件夹 # os.rename(file_path, f./archive/{os.path.basename(file_path)}) if __name__ __main__: path_to_watch ./drop_folder # 你要监控的文件夹 event_handler NewFileHandler() observer Observer() observer.schedule(event_handler, path_to_watch, recursiveFalse) observer.start() try: while True: time.sleep(1) except KeyboardInterrupt: observer.stop() observer.join()5.2 与RAG系统集成批量转换出的JSON文件是宝藏。它包含了每个文本块、表格单元格、图片的坐标和类型信息。你可以利用这些信息为你的RAG检索增强生成系统做更智能的文档切片。例如避免将一个表格从中间切开或者将图片标题和图片分到两个不同的片段中。import json import os def smart_chunk_for_rag(json_file_path): with open(json_file_path, r, encodingutf-8) as f: data json.load(f) chunks [] current_chunk {content: , metadata: {page: data.get(page_number, 1), elements: []}} # 假设JSON结构中有 blocks 列表 for block in data.get(blocks, []): block_type block.get(type) block_content block.get(content, ) # 策略1每个标题开始一个新的chunk if block_type heading: if current_chunk[content]: # 保存上一个chunk chunks.append(current_chunk) current_chunk {content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}} # 策略2每个表格作为一个独立的chunk elif block_type table: if current_chunk[content]: chunks.append(current_chunk) chunks.append({content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}}) current_chunk {content: , metadata: {page: data.get(page_number, 1), elements: []}} # 策略3段落文本累积超过一定长度就切分 elif block_type paragraph: if len(current_chunk[content]) len(block_content) 1000: # 假设阈值1000字符 chunks.append(current_chunk) current_chunk {content: block_content, metadata: {page: data.get(page_number, 1), elements: [block]}} else: current_chunk[content] \n block_content current_chunk[metadata][elements].append(block) if current_chunk[content]: chunks.append(current_chunk) return chunks # 批量处理JSON文件 output_dir ./转换结果 for root, dirs, files in os.walk(output_dir): for file in files: if file.endswith(.json): json_path os.path.join(root, file) smart_chunks smart_chunk_for_rag(json_path) print(f文件 {file} 被切分为 {len(smart_chunks)} 个语义块。) # 这里可以将chunks存入你的向量数据库6. 总结让批量文档处理变得简单而强大回顾我们开头的痛点手动、低效、易出错的海量文档处理。通过Chandra OCR和它强大的命令行工具我们实现了极致简化从复杂的图形界面操作简化为一条终端命令。全自动批量支持递归扫描整个文件夹自动识别格式保持目录结构。结构化输出直接生成可直接使用的Markdown、HTML以及富含元数据的JSON省去大量后处理工作。无缝集成通过脚本可以轻松融入任何自动化流水线或知识管理系统。无论你是法务人员需要处理成堆的扫描合同是财务人员需要数字化历史发票还是知识库管理员需要将大量PDF资料入库chandra-ocr process ./你的文件夹/这条命令都能成为你手中最高效的“文档转换流水线”。技术的价值在于解决实际问题提升效率。Chandra OCR在批量处理场景下的表现正是这一理念的完美体现。现在是时候清空你那个“待处理”文件夹了。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。
