【摘要】初学文档处理或多模态应用时，常会碰到 OCR、VLM、ASR 这几个缩写。它们都和“把信息变成文字或答案”有关，但分工完全不同。笔者用一句话先概括：OCR 负责抄字，VLM 负责看懂画面并推理，ASR 负责把声音转成文字。 flowchart LR A["声音"] -->|ASR| B["文字"] 阅读全文