资料总数量约2400余册，95.8万页。详细目录，共7块硬盘。

已整理修图的交付数据包含3类：

• tif格式

  这个是最早的文件，后边的两种格式都是基于此转换而来的。主要基于这个来查。但缺点是图片大小较大，不值当耗资源。

• jpg格式

  鸡肋，但是文件I/O效率与大模型的吞吐效率

• pdf格式

  原有命名中的图片类型全部没有了。还检查到一些文件损坏无法打开的。

图片格式命名规则：

• 正文页是以阿拉伯数字作为题名，与实际的页码一直，主要就是校对这个。有的一个页码
• 其他类型页面包括但不限于：封面—书脊—题名页—版权页—编纂信息页—编纂说明—地图插页—总目—目录—附件—封底。

整体情况：ttif的大小标准并不统一，以后开发时需要注意，还需要再转成统一分辨率。

测试不同模型的性能及结果。

目标：检查是否存在重复或者缺页的情况，将结果返回扫描承包方返工。

几个要点：

• 可用pandantic强制限制输出格式，限制模型输出的不确定性
• 可直接用SGLang框架拉qwen2.5vl来做识别。